Ein Verfahren entwickeln, das Ground-Truth-Labels mit fotografierten oder gescannten Handschriften vergleicht, um Inkonsistenzen zu identifizieren und die Trainingsdatenqualität zu verbessern. dabei moderne OCR-Technologien (Optical Character Recognition) einsetzen, um handschriftliche Inhalte zu analysieren und mit den Sensordaten abzugleichen. zusätzliche Ground-Truth-Daten durch Fotos oder Scans handschriftlicher Texte sammeln. vortrainierte OCR-Modelle zur Segmentierung, Texterkennung und Bounding-Box-Detektion anwenden und ggf. anpassen. ein automatisiertes Vergleichsmodul zur Erkennung von Abweichungen zwischen erkannter Schrift und Ground-Truth-Labels entwickeln. typische Fehlerquellen identifizieren, wie: Rechtschreibfehler; ausgelassene Buchstaben oder Satzzeichen; unleserliche Handschrift, die für das Training ungeeignet ist. die Qualitätsverbesserung durch die bereinigten Trainingsdaten bewerten. an der Friedrich-Alexander Universität studierst Kenntnisse und Erfahrungen in Deep Learning in PyTorch mitbringst. Interesse an Handschrifterkennung und Zeitreihenanalyse hast. Deutschkenntnisse zur Unterstützung bei der Datenerhebung mitbringst. Unsere STABILO-verliebte Marion freut sich schon auf deine Unterlagen. Sag ihr auch gleich noch, wann du bei uns anfangen kannst und wie lange du bleiben möchtest. Wir sind gespannt auf dich!