BEGIN:VCALENDAR PRODID:-//Microsoft Corporation//Outlook 16.0 MIMEDIR//EN VERSION:2.0 METHOD:PUBLISH X-MS-OLK-FORCEINSPECTOROPEN:TRUE BEGIN:VEVENT CLASS:PUBLIC CREATED:20181029T130717Z DESCRIPTION:Deep Driving Technologies & Computer Vision for Cognitive Vehic les │ February 28 – March 1\, 2019 │ South San Francisco Conference Center\, California\, USA \n \nKey Topics of t he Auto.AI USA - https://www.auto-ai.com/agenda/ \n \nDEEP DRIVING\, MACHI NE LEARNING & COMPUTER VISION\n· Algorithms and data s chemes\n· Deep neural networks / deep learning and ne ural networks: Challenges for decision making algorithms in heavy traffic\ , self-driving vehicles\n· Data processing and AI: Sof tware architecture and hardware challenges\n· Path pla nning and object recognition with AI / future pathways\, required research and the role of deep learning in the mix of computer vision approaches\n · Tools for enabling deep learning systems\n· Full stack software suites for AI in ADAS providing hardware a gnostic\, scalable solutions\n· Deep learning for huma n-centered semi-Autonomous Driving\n· Role of cognitiv e computing systems and deeper direct perception in Autonomous Driving/ in Level 4 and 5 cars\n· Artificial reality? Deep learni ng with synthetic data from driving simulations\nSENSOR FUSION\, DATA & AI \, IMAGING & PERCEPTION\n· Algorithms for cameras as p rimary sensors for accomplishing the tasks of object recognition and class ification\, localisation\, decision making\, trajectory planning and vehic le control\n· Visual processing to ADAS: applications\ , architectures and algorithms\n· Deep learning with m ulti-sensor data and self-healing map for Automated Driving\n· Imaging vision in automotive linked cameras/ISP: processing chain \, algorithms and camera systems architecture\n· How n eural nets can leverage domain-specific knowledge in computer vision\n· Automotive camera technology and computer vision algorit hms\n· Collaborative sensor fusion to improve sensing of the fused system\n· Neural networks in sensors\n· Multi-core processing approaches for AI driven autonomo us vehicles\n· Software architectures for AI and deep driving\n· Sensor fusion deep learning architectures\n Speaker Panel: https://www.auto-ai.com/speaker/ \n \nWhat can you expect @ Auto.AI USA? https://www.auto-ai.com/who-why/ \n \nHow to attend? Tickets : https://www.auto-ai.com/book-now/ \n DTEND;VALUE=DATE:20190302 DTSTAMP:20180720T132013Z DTSTART;VALUE=DATE:20190228 LAST-MODIFIED:20181029T130717Z LOCATION:Hotel Nikko San Francisco\, USA PRIORITY:5 SEQUENCE:0 SUMMARY;LANGUAGE=de:Auto.AI USA 2019 TRANSP:TRANSPARENT UID:040000008200E00074C5B7101A82E00800000000C03BDB273D20D401000000000000000 010000000381CEF18BE34B445BBA21E4DDB35856C X-ALT-DESC;FMTTYPE=text/html:

Deep Driving Techno logies &\; Computer Vision for Cognitive Vehicles  │\; February 28 – March 1\, 2019 │\; South San Francisco Conference Center\, California \, USA <\;https://www.auto-ai.com/>\;

 

Key Topics of the Auto.AI USA - https://www.auto-ai.com/agenda/

 

DEEP DRIVING\, MACHINE LEARNING &\; COMPUTER VISION

· \; \; \; \; \; \; \; \;  \; \; \; \; \; \; \; \; \; \; \; < /span>Algorithms and data s chemes

· \; \; \; \; \; \; \; \ ; \; \; \; \; \; \; \; \; \; \;&nb sp\; Deep neural networks  / deep learning and neur al networks: Challenge s for decision making algorithms in h eavy traffic\, self-driving vehicles

· \; \; \; \;  \; \; \; \; \; \; \; \; \; \;&nbs p\; \; \; \; \; Data processing and AI: Software architecture and hardware challenges

·&n bsp\; \; \; \; \; \; \; \; \; \; \ ; \; \; \; \; \; \; \; \; Path planning and object recognition with AI / future pathways\, required research and the role of deep learning in the mix of computer vision approaches

· \; \; \; \; \; \;&nbs p\; \; \; \; \; \; \; \; \; \; \;& nbsp\; \; Tools for< /span> enabling deep < span class=SpellE>learning systems

·& nbsp\; \; \; \; \; \; \; \; \; \;  \; \; \; \; \; \; \; \; \; < /span>Full stack software suites < span class=SpellE>for AI in ADAS providing hardware agnostic\, scalable solutions

· \; \; \; \; \; \; \; \; \; \;&n bsp\; \; \; \; \; \; \; \; \; Deep learn ing for human-centered semi-Autonomous Drivi ng

· \; \; \; \; \; \; \; \;&nb sp\; \; \; \; \; \; \; \; \; \; \; Role of cognitive c omputing systems and deeper direct perception in Autonomous Driving/ in Level 4 and 5 cars

< ![if !supportLists]>· \; \; \; \;  \; \; \; \; \; \; \; \; \; \; \;&n bsp\; \; \; \; Artificial reality? Deep learning with synthetic data from driving simulations

SENSOR FUSION\, DATA &\; AI\, IMAGING &\; PERCEPTION

· \; \; \; \; \; \; \; \;& nbsp\; \; \; \; \; \; \; \; \; \;  \; Algorithms for cameras as primary senso rs for accomplishing the tasks of object recognition and class ification\, localisation\, decision making\, trajectory planning a nd vehicle control

· \; \; \; \; \; \; \; \; \;&n bsp\; \; \; \; \; \; \; \; \; \; Visual processing to ADAS: applications\, architectures and algorithms

· \; \; \; \; \;&nb sp\; \; \; \; \; \; \; \; \; \; \;  \; \; \; De ep learning with multi-sensor data and self-healing map for Automated Driving

· \; \; \; \; \; \;&nbs p\; \; \; \; \; \; \; \; \; \; \;& nbsp\; \; Imaging vi sion in automotive lin ked cameras/ISP: proce ssing chain\, algorith ms and camera < span class=SpellE>systems architecture

· \; \; \; \; \; \; \; \; \; \;& nbsp\; \; \; \; \; \; \; \; \; How neura l nets can leverage domain-specific < span class=SpellE>knowledge in computer < span class=SpellE>vision

· \; \; \; \; \;&n bsp\; \; \; \; \; \; \; \; \; \; \ ; \; \; \; Automotive camera technology and computer vis ion algorithms

· \; \; \;  \; \; \; \; \; \; \; \; \; \;&nbs p\; \; \; \; \; \; Coll aborative sensor fusion to improve sensing of t he fused system

· \; \; \; \; \; \; \; \; \;  \; \; \; \; \; \; \; \; \; \; < /span>Neural networks in sensors

· \; \;& nbsp\; \; \; \; \; \; \; \; \; \;  \; \; \; \; \; \; \; Multi-core processing appro aches for AI driven autonomous vehicles

· \; \; \; \; \; \; \; \; \;&nb sp\; \; \; \; \; \; \; \; \; \; Software architectures for AI and deep driving

· \; \;& nbsp\; \; \; \; \; \; \; \; \; \;  \; \; \; \; \; \; \; Sensor fusion deep < span class=SpellE>learning architectures< o:p>

Speaker Panel: https://www.auto -ai.com/speaker/

 

What can you expect @ Auto.AI USA? https://www.auto-ai.com/who-why/

< p class=MsoPlainText> 

How t o attend? Tickets: https://www.auto-ai.com/book-now/

X-MICROSOFT-CDO-BUSYSTATUS:FREE X-MICROSOFT-CDO-IMPORTANCE:1 X-MICROSOFT-DISALLOW-COUNTER:FALSE X-MS-OLK-AUTOFILLLOCATION:FALSE X-MS-OLK-CONFTYPE:0 BEGIN:VALARM TRIGGER:-PT1080M ACTION:DISPLAY DESCRIPTION:Reminder END:VALARM END:VEVENT END:VCALENDAR