Prof. Dr.-Ing. Markus Ulrich

Englerstr. 7
76131 Karlsruhe

Professur für Machine Vision Metrology

Biographie

Wissenschaftliche Qualifikation

Forschungsschwerpunkte

Lehre

Aktivitäten

Publikationen

Patente

Sonstiges

Biographie

Seit 1.4.2020	Professor für Machine Vision Metrology am Institut für Photogrammetrie und Fernerkundung des Karlsruher Instituts für Technologie (KIT)
2017 – 2019	Privatdozent an der Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften des KIT
2013 – 2020	Erfindungs- und Patentverantwortlicher bei der MVTec Software GmbH, München
2013 – 2017	Lehrbeauftragter für das Fach „Industrielle Bildverarbeitung und Machine Vision“ an der Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften des KIT
2008 – 2020	Leiter des Forschungsteams bei MVTec
2005 – 2020	Lehrbeauftragter für das Fach „Ingenieurphotogrammetrie“ an der Fakultät für Bauingenieur- und Vermessungswesen der Technischen Universität München (TUM)
2003 – 2008	Softwareingenieur bei MVTec
2000 – 2003	Wissenschaftlicher Angestellter und Doktorand am Lehrstuhl für Photogrammetrie und Fernerkundung der TUM unter Co-Betreuung durch MVTec

Wissenschaftliche Qualifikation

1.2.2017	Habilitation und Verleihung der Lehrbefugnis für das Fach "Machine Vision" an der Fakultät für Bauingenier-, Geo- und Umweltwissenschaften des KIT
26.6.2003	Promotion an der Fakultät für Bauingenier- und Vermessungswesen der TUM
23.3.2000	Dipl.-Ing (Univ.) Vermessungswesen
1995 - 2000	Studium des Vermessungswesens an der TUM

Forschungsschwerpunkte

Machine Vision ist eine facettenreiche Disziplin und beinhaltet Aspekte aus der Optik (z.B. Beleuchtung, Objektive), der Elektrotechnik (z.B. Sensorik), dem Maschinenbau (z.B. Industrieroboter, optische Inspektionsmaschinen), der Informatik und dem Software-Engineering (z.B. effiziente Implementierungen von innovativen Computer-Vision-Algorithmen). Dies spiegelt sich auch in den Forschungsthemen wider:

Zuverlässige Erkennung und genaue Lagevermessung von Objekten in Bildern und 3D-Sensordaten
Kameramodelle und -kalibrierung
Machine-Learning im industriellen Kontext für Objektinspektion und Robotik
Objektidentifikation in Bildern
Oberflächeninspektion von Objekten in 2D- und 3D-Sensordaten
Hand-Auge-Kalibrierung von Industrierobotern

Bei unseren Forschungsarbeiten stehen oft geodätische Aspekte wie Zuverlässigkeit oder Genauigkeit im Fokus. Gleichzeitig dient die 20-jährige Industrieerfahrung als wichtiger Wegweiser und sichert die Innovationskraft der neu entwickelten Verfahren.

Lehre

Die Lehre über Methoden und Technologien, die im Berufsfeld ihre tatsächliche praktische Anwendung finden, ist wichtig, um fundierte Einblicke in die Machine Vision Metrology zu ermöglichen. Nur im engen Austausch mit dem Berufsfeld kann es gelingen, dessen Anforderungen an Technologien ausreichend zu berücksichtigen und den Studierenden entsprechende Kompetenzen zu vermitteln. Diese Anforderungen werden daher bereits in der Lehre vermittelt und sollen eine grundlegende und zugleich motivierende Rolle spielen. Der industrielle Kontext wird auch durch praxisorientierte Übungen betont.

Dabei werden die Bezüge der Machine Vision Metrology zur „klassischen“ Geodäsie betont und geodätische Aspekte (z.B. Genauigkeitsbetrachtungen und Zuverlässigkeitsaussagen) explizit berücksichtigt. Im Rahmen einer forschungsorientierten Lehre werden Studierende in aktuelle Forschungsprojekte am Institut eingebunden wodurch auch wissenschaftlichen Methoden vermittelt werden können.

Aktivitäten

Vorsitzender der ISPRS Working Group II/9 "Vision Metrology"
Schriftleiter der DGPF-Zeitschrift PFG - Journal of Photogrammetry, Remote Sensing and Geoinformation Science für den Bereich Photogrammetrie
Mitarbeit im Verein Deutscher Ingenieure (VDI)
- Mitglied des VDI/VDE-GMA Fachbereich FB 1 “Methodik der Mess- und Sensortechnik"
- Vorsitzender des VDI/VDE-GMA Fachausschusses FA 1.13 "Neuronale Netze in der Sensordatenverarbeitung"
- Mitglied des VDI/VDE-GMA Fachausschusses FA 1.21 "Bildverarbeitung in Mess- und Automatisierungstechnik"
- Mitautor des VDI-Statusreports
  „Maschinelles Lernen in KMU: Künstliche Intelligenz im eigenen Unternehmen nutzen“, 2020
- Mitautor des VDI-Statusreports
  „Maschinelles Lernen: Künstliche Intelligenz mit neuronalen Netzen in optischen Mess- und Prüfsystemen“, 2019

Wissenschaftliche Publikationen

2024

Vision-guided robot calibration using photogrammetric methods
Ulrich, M.; Steger, C.; Butsch, F.; Liebe, M.
2024. ISPRS Journal of Photogrammetry and Remote Sensing, 218 (Part A), 645–662. doi:10.1016/j.isprsjprs.2024.09.037
Uncertainty Quantification with Deep Ensembles for 6D Object Pose Estimation
Wursthorn, K.; Hillemann, M.; Ulrich, M.
2024. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, X-2-2024, 223–230. doi:10.5194/isprs-annals-X-2-2024-223-2024
Novel View Synthesis with Neural Radiance Fields for Industrial Robot Applications
Hillemann, M.; Langendörfer, R.; Heiken, M.; Mehltretter, M.; Schenk, A.; Weinmann, M.; Hinz, S.; Heipke, C.; Ulrich, M.
2024. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVIII-2-2024, 137–144. doi:10.5194/isprs-archives-XLVIII-2-2024-137-2024
Uncertainty-aware Cross-Entropy for Semantic Segmentation
Landgraf, S.; Hillemann, M.; Wursthorn, K.; Ulrich, M.
2024. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, X-2-2024, 129–136. doi:10.5194/isprs-annals-X-2-2024-129-2024
DUDES: Deep Uncertainty Distillation using Ensembles for Semantic Segmentation
Landgraf, S.; Wursthorn, K.; Hillemann, M.; Ulrich, M.
2024. PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science. doi:10.1007/s41064-024-00280-4
Efficient Multi-task Uncertainties for Joint Semantic Segmentation and Monocular Depth Estimation
Landgraf, S.; Hillemann, M.; Kapler, T.; Ulrich, M.
2024. arxiv. doi:10.48550/arXiv.2402.10580
Uncertainty-Aware Hand–Eye Calibration
Ulrich, M.; Hillemann, M.
2024. IEEE Transactions on Robotics, 40, 573–591. doi:10.1109/TRO.2023.3330609

2023

Sensitivity analysis of AI-based algorithms for autonomous driving on optical wavefront aberrations induced by the windshield
Wolf, D. W.; Ulrich, M.; Kapoor, N.
2023. 2023 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW), Paris, 25th December 2023, 4102–4111, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/ICCVW60793.2023.00443
Novel developments of refractive power measurement techniques in the automotive world
Wolf, D. W.; Ulrich, M.; Braun, A.
2023. Metrologia, 60 (6), Article no: 064001. doi:10.1088/1681-7575/acf1a4
Windscreen Optical Quality for AI Algorithms: Refractive Power and MTF not Sufficient
Werner Wolf, D.; Ulrich, M.; Braun, A.
2023. 2023 IEEE 26th International Conference on Intelligent Transportation Systems (ITSC), 5190–5197, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/ITSC57777.2023.10421970
Windscreen Optical Quality for AI Algorithms: Refractive Power and MTF not Sufficient
Wolf, D. W.; Ulrich, M.; Braun, A.
2023. arxiv. doi:10.48550/arXiv.2305.14513
U-CE: Uncertainty-aware Cross-Entropy for Semantic Segmentation
Landgraf, S.; Hillemann, M.; Wursthorn, K.; Ulrich, M.
2023. arxiv. doi:10.48550/arXiv.2307.09947
Segmentation of industrial burner flames: a comparative study from traditional image processing to machine and deep learning
Landgraf, S.; Hillemann, M.; Aberle, M.; Jung, V.; Ulrich, M.
2023. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, X-1/W1-2023, 953–960. doi:10.5194/isprs-annals-X-1-W1-2023-953-2023
Sensitivity Analysis of AI-Based Algorithms for Autonomous Driving on Optical Wavefront Aberrations Induced by the Windshield
Wolf, D. W.; Ulrich, M.; Kapoor, N.
2023. doi:10.5445/IR/1000162967
Combining Hololens with Instant-NeRFs: Advanced Real-Time 3D Mobile Mapping
Haitz, D.; Jutzi, B.; Ulrich, M.; Jäger, M.; Hübner, P.
2023. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVIII-1/W1-2023, 167 – 174. doi:10.5194/isprs-archives-XLVIII-1-W1-2023-167-2023
Segmentation of Industrial Burner Flames: A Comparative Study from Traditional Image Processing to Machine and Deep Learning
Landgraf, S.; Hillemann, M.; Aberle, M.; Jung, V.; Ulrich, M.
2023. doi:10.5445/IR/1000159876
DUDES: Deep Uncertainty Distillation using Ensembles for Semantic Segmentation
Landgraf, S.; Wursthorn, K.; Hillemann, M.; Ulrich, M.
2023
Combining HoloLens with Instant-NeRFs: Advanced Real-Time 3D Mobile Mapping
Haitz, D.; Jutzi, B.; Ulrich, M.; Jäger, M.; Huebner, P.
2023. arxiv. doi:10.48550/arXiv.2304.14301
A comparison of learning-based approaches for the corrosion detection on barrels in industrial applications
Haitz, D.; Hübner, P.; Ulrich, M.; Jutzi, B.
2023. tm - Technisches Messen. doi:10.1515/teme-2023-0009

2022

Semantic segmentation with small training datasets: A case study for corrosion detection on the surface of industrial objects
Haitz, D.; Hübner, P.; Ulrich, M.; Landgraf, S.; Jutzi, B.
2022. Forum Bildverarbeitung 2022. Ed.: T. Längle; M. Heizmann, 73–85, KIT Scientific Publishing
Corrosion detection for industrial objects: from multi-sensor system to 5D feature space
Haitz, D.; Jutzi, B.; Hübner, P.; Ulrich, M.
2022. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLIII-B1-2022, 143–150. doi:10.5194/isprs-archives-XLIII-B1-2022-143-2022
Evaluation of self-supervised learning approaches for semantic segmentation of industrial burner flames
Landgraf, S.; Kühnlein, L.; Hillemann, M.; Hoyer, M.; Keller, S.; Ulrich, M.
2022. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLIII-B2-2022, 601–607. doi:10.5194/isprs-archives-XLIII-B2-2022-601-2022
Comparison of uncertainty quantification methods for CNN-based regression
Wursthorn, K.; Hillemann, M.; Ulrich, M.
2022. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLIII-B2-2022, 721–728. doi:10.5194/isprs-archives-XLIII-B2-2022-721-2022
Automatic Real-Time Pose Estimation of Machinery from Images
Bertels, M.; Jutzi, B.; Ulrich, M.
2022. Sensors, 22 (7), 2627. doi:10.3390/s22072627
Implementing machine learning: chances and challenges
Heizmann, M.; Braun, A.; Glitzner, M.; Günther, M.; Hasna, G.; Klüver, C.; Krooß, J.; Marquardt, E.; Overdick, M.; Ulrich, M.
2022. Automatisierungstechnik, 70 (1), 90–101. doi:10.1515/auto-2021-0149
A Multi-view Camera Model for Line-Scan Cameras with Telecentric Lenses
Steger, C.; Ulrich, M.
2022. Journal of Mathematical Imaging and Vision, 64, 105–130. doi:10.1007/s10851-021-01055-x

2021

Generic Hand–Eye Calibration of Uncertain Robots
Ulrich, M.; Hillemann, M.
2021. IEEE International Conference on Robotics and Automation (ICRA), 30 May-5 June 2021, 11060–11066, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/ICRA48506.2021.9560823
A Camera Model for Line-Scan Cameras with Telecentric Lenses
Steger, C.; Ulrich, M.
2021. International journal of computer vision, 129, 80–99. doi:10.1007/s11263-020-01358-3

2020

Artificial intelligence with neural networks in optical measurement and inspection systems
Heizmann, M.; Braun, A.; Hüttel, M.; Klüver, C.; Marquardt, E.; Overdick, M.; Ulrich, M.
2020. Automatisierungstechnik, 68 (6), 477–487. doi:10.1515/auto-2020-0006

2019

A comparison of shape-based matching with deep-learning-based object detection
Ulrich, M.; Follmann, P.; Neudeck, J.-H.
2019. Technisches Messen, 86 (11), 685–698. doi:10.1515/teme-2019-0076
A camera model for cameras with hypercentric lenses and some example applications
Ulrich, M.; Steger, C.
2019. Machine vision and applications, 30 (6), 1013–1028. doi:10.1007/s00138-019-01032-w

2018

Machine Vision Algorithms and Applications
Steger, C.; Ulrich, M.; Wiedemann, C.
2018. Wiley-VCH Verlag
MVTec D2S: Densely Segmented Supermarket Dataset
Follmann, P.; Böttger, T.; Härtinger, P.; König, R.; Ulrich, M.
2018. Computer Vision – ECCV 2018. Ed.: V. Ferrari, 581–597, Springer. doi:10.1007/978-3-030-01249-6_35

2017

Subpixel-Precise Tracking of Rigid Objects in Real-Time
Böttger, T.; Ulrich, M.; Steger, C.
2017. Image Analysis. Part 1. Ed.: P. Sharma, 54–65, Springer-Verlag. doi:10.1007/978-3-319-59126-1_5
Introducing MVTec ITODD — A Dataset for 3D Object Recognition in Industry
Drost, B.; Ulrich, M.; Bergmann, P.; Härtinger, P.; Steger, C.
2017. 2017 IEEE International Conference on Computer Vision Workshops (ICCVW), 2200–2208, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/ICCVW.2017.257
Object recognition in machine vision. Habilitation
Ulrich, M.
2017. Karlsruher Institut für Technologie (KIT)

2016

Hand-Eye Calibration of SCARA Robots Using Dual Quaternions
Ulrich, M.; Steger, C.
2016. Pattern recognition and image analysis, 16 (1), 231–239. doi:10.1134/S1054661816010272
Real-Time Texture Error Detection on Textured Surfaces with Compressed Sensing
Böttger, T.; Ulrich, M.
2016. Pattern recognition and image analysis, 26 (1), 88–94. doi:10.1134/S1054661816010053

2015

Real-Time Texture Error Detection on Textured Surfaces With Compressed Sensing
Böttger, T.; Ulrich, M.
2015. Proceedings of the OGRW 2014. Ed.: P. Dietrich, 205–210, University of Koblenz-Landau
Hand-Eye Calibration of SCARA Robots
Ulrich, M.; Heider, A.; Steger, C.
2015. Proceedings of the OGRW2014. 9th Open German-Russian Workshop on Pattern Recognition and Image Understanding. Ed.: D. Paulus, 117–122, University of Koblenz-Landau

2012

Combining Scale-Space and Similarity-Based Aspect Graphs for Fast 3D Object Recognition
Ulrich, M.; Wiedemann, C.; Steger, C.
2012. IEEE transactions on pattern analysis and machine intelligence, 34 (10), 1902–1914. doi:10.1109/TPAMI.2011.266

2011

機器視覺演算法與應用 (Jīqì Shìjué Suàn Fǎ Yǔ Yìngyòng — Machine Vision Algorithms and Applications)
Steger, C.; Ulrich, M.; Wiedemann, C.
2011. Photon-Tech Instruments Co
Real-time object detection with sub-pixel accuracy using the level set method
Burkert, F.; Butenuth, M.; Ulrich, M.
2011. The photogrammetric record, 26 (134), 154–170. doi:10.1111/j.1477-9730.2011.00633.x

2010

Model globally, match locally: Efficient and robust 3D object recognition
Drost, B.; Ulrich, M.; Navab, N.; Ilic, S.
2010. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 998–1005, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/CVPR.2010.5540108
Evaluation of efficient methods for optical flow computation - Evaluierung effizienter Methoden zur Berechnung des optischen Flusses
Frey, D.; Ulrich, M.; Hinz, S.
2010. Photogrammetrie - Fernerkundung - Geoinformation, 10 (1), 5–16. doi:10.1127/1432-8364/2010/0036

2009

CAD-Based Recognition of 3D Objects in Monocular Images
Ulrich, M.; Wiedemann, C.; Steger, C.
2009. IEEE International Conference on Robotics and Automation, 1191–1198, Institute of Electrical and Electronics Engineers (IEEE). doi:10.1109/ROBOT.2009.5152511

2008

画像処理アルゴリズムと実践アプリケーション (Gazou Shori Algorithm to Jissen Application — Image Processing Algorithms and Applications)
Steger, C.; Ulrich, M.; Wiedemann, C.
2008. LinX Corporation
机器视觉算法与应用 (Jīqì Shìjué Suàn Fǎ Yǔ Yìngyòng — Machine Vision Algorithms and Applications)
Steger, C.; Ulrich, M.; Wiedemann, C.
2008. Tsinghua University Press
Recognition and Tracking of 3D Objects
Wiedemann, C.; Ulrich, M.; Steger, C.
2008. Pattern Recognition. Ed.: G. Rigoll, 132–141, Springer-Verlag. doi:10.1007/978-3-540-69321-5_14

2007

Machine Vision Algorithms and Applications
Steger, C.; Ulrich, M.; Wiedemann, C.
2007. Wiley-VCH Verlag

2004

Erkennung von zusammengesetzten Objekten in Bildern unter Echtzeit-Anforderungen
Ulrich, M.; Steger, C.; Baumgartner, A.; Ebner, H.
2004. Commemorative Volume for the 60th Birthday of Prof. Dr. Armin Grün, ETH Zürich, 251–259, Institute of Geodesy and Photogrammetry
Erkennung von zusammengesetzten Objekten in Bildern unter Echtzeit-Anforderungen
Ulrich, M.; Steger, C.; Baumgartner, A.; Ebner, H.
2004. ZfV, 129 (3), 184–194

2003

Hierarchical Real-Time Recognition of Compound Objects in Images
Ulrich, M.
2003. Verlag der Bayerischen Akademie der Wissenschaften in Kommission beim Verlag C.H. Beck
Hierarchical Real-Time Recognition of Compound Objects in Images. Dissertation
Ulrich, M.
2003
Real-time object recognition using a modified generalized Hough transform
Ulrich, M.; Steger, C.; Baumgartner, A.
2003. Pattern recognition, 36 (11), 2557–2570. doi:10.1016/S0031-3203(03)00169-9

2002

Empirical Performance Evaluation of Object Recognition Methods
Ulrich, M.; Steger, C.
2002. Empirical Evaluation Methods in Computer Vision. Ed.: H.I. Christensen, 62–76, World Scientific Publishing
Performance Evaluation of 2D Object Recognition Techniques
Ulrich, M.; Steger, C.
2002. Technische Universität München (TUM)
Automatic Hierarchical Object Decomposition for Object Recognition
Ulrich, M.; Baumgartner, A.; Steger, C.
2002. The international archives of photogrammetry, remote sensing and spatial information sciences, XXXIV-5/WGV/1, 99–104
Performance Comparison of 2D Object Recognition Techniques
Ulrich, M.; Steger, C.
2002. Proceedings of the ISPRS Commission III Symposium Photogrammetric Computer Vision, 368–374
Vorhersage der Erdorientierungs-Parameter unter Verwendung künstlicher Neuronaler Netze
Schuh, H.; Ulrich, M.; Egger, D.; Müller, J.; Schwegmann, W.
2002. Vorträge beim 4. DFG-Rundgespräch im Rahmen des Forschungsvorhabens Rotation der Erde zum Thema ’Wechselwirkungen im System Erde’. Ed.: H. Schuh, 87–89, Verlag der Bayerischen Akademie der Wissenschaften
Prediction of Earth orientation parameters by artificial neural networks
Schuh, H.; Ulrich, M.; Egger, D.; Müller, J.; Schwegmann, W.
2002. Journal of geodesy, 76 (5), 247–258. doi:10.1007/s00190-001-0242-5

2001

Prediction of Earth Orientation Parameters by Artificial Neural Networks
Schuh, H.; Ulrich, M.
2001. Journées Systèmes de Référence Spatio-Temporels : Paris, France, 18 - 20 Septembre 2000 ; J2000, une époque fondamentale pour les origines des systèmes de référence. [J2000, a fundamental epoch for origins of reference systems and astronomical models]. Ed.: N. Capitaine, 302–303, Observatoire de Paris
Real-Time Object Recognition in Digital Images for Industrial Applications
Ulrich, M.; Steger, C.; Baumgartner, A.; Ebner, H.
2001. Technische Universität München (TUM)
Real-Time Object Recognition Using a Modified Generalized Hough Transform
Ulrich, M.; Steger, C.; Baumgartner, A.; Ebner, H.
2001. Photogrammetrie - Fernerkundung - Geoinformation: Geodaten schaffen Verbindungen. Hrsg.: E. Seyfert, 571–578, DGPF
新実践画像処理 (Shin Jissen Gazou Shori — Practical Image Processing, 2nd Edition)
Koshimizu, H.; Ishii, A.; Suga, Y.; Kaneko, S.; Hara, Y.; Murakami, K.; Umeda, K.; Murakami, N.; Tsujitani, J.; Bushimata, S.; Hirata, A.; Adachi, T.; Eckstein, W.; Steger, C.; Lückenhaus, M.; Ulrich, M.; Blahusch, G.
2001. LinX Corporation
Real-Time Object Recognition in Digital Images for Industrial Applications
Ulrich, M.; Steger, C.; Baumgartner, A.; Ebner, H.
2001. Optical 3-D Measurement Techniques V. Ed.: A. Grün, 308–318, Vienna University of Technology

2000

Vorhersage der Erdrotationsparameter mit Hilfe Neuronaler Netze. Diplomarbeit
Ulrich, M.
2000

Weitere Veröffentlichungen

Dataset for the Segmentation of Industrial Burner Flames
Landgraf, S.; Hillemann, M.; Ulrich, M.; Aberle, M.; Jung, V.
2023, Juni 20. doi:10.5445/IR/1000159497

Beat the MArVIN - Industrieroboter MArVIN lernt Geschicklichkeitsspiel "der heiße Draht"
Wursthorn, K.; Hillemann, M.; Ulrich, M.
2022. doi:10.5445/IR/1000150338

Geodäsie und Geoinformatik am KIT studieren
Dalheimer, L.; Fuge, R.; Gschwind, C.; Juretzko, M.; Landgraf, S.; Meid, F.; Naab, C.; Ulrich, M.; Weisgerber, J.
2021. doi:10.5445/IR/1000137359

Patente

Hand-eye calibration of camera-guided devices
- EP 4094897 (Veröffentlichung: 20.9.2023)
System and method for model adaptation
- JP 6612822 (Veröffentlichung: 27.11.2019)
- US 10460472 (Veröffentlichung: 29.10.2019)
System and method for efficient 3D reconstruction of objects with telecentric line-scan cameras
- JP 7486740 (Veröffentlichung: 20.5.2024)
- EP 3896640 (Veröffentlichung: 28.9.2022)
- US 11328478 (Veröffentlichung: 10.5.2022)
Recognition and pose determination of 3D objects in multimodal scenes
- JP 6216508 (Veröffentlichung: 18.10.2017)
- CN 103729643 (Veröffentlichung: 12.09.2017)
- US 8994723 (Veröffentlichung: 31.5.2015)
- EP 2720171 (Veröffentlichung: 8.4.2015)
Recognition and pose determination of 3D objects in 3D scenes
- CN 102236794 (Veröffentlichung: 4.3.2015)
- JP 5677798 (Veröffentlichung: 25.2.2015)
- US 8830229 (Veröffentlichung: 9.9.2014)
- EP 2385483 (Veröffentlichung: 21.11.2012)
System and method for 3D object recognition
- CN 101408931 (Veröffentlichung: 20.2.2013)
- US 8379014 (Veröffentlichung: 19.2.2013)
- EP 2048599 (Veröffentlichung: 16.12.2009)
- JP 4785880 (Veröffentlichung: 30.4.2009)
System and methods for automatic parameter determination in machine vision
- US 7953290 (Veröffentlichung: 31.5.2011)
- US 7953291 (Veröffentlichung: 31.5.2011)
- US 7751625 (Veröffentlichung: 6.6.2010)
- JP 4907219 (Veröffentlichung: 4.10.2007)
Hierarchical component-based object recognition
- JP 5330579 (Veröffentlichung: 1.11.2012)
- EP 1394727 (Veröffentlichung: 12.10.2011)
- JP 4334301 (Veröffentlichung: 30.9.2009)
- JP 5329254 (Veröffentlichung: 14.5.2009)
- US 7239929 (Veröffentlichung: 3.7.2007)

Sonstiges

Landschaftsfotografie