Logo Uni Bremen

Zentrum für Industriemathematik

ZeTeM > Über das ZeTeM > Mitarbeiter*innen > Dr. Maximilian Schmidt

Kontakt Sitemap Impressum [ English | Deutsch ]
Bild Dr. Maximilian Schmidt

Dr. Maximilian Schmidt

Wissenschaftlicher Mitarbeiter der AG Technomathematik, Research Training Group π3

Raum: MZH 2050
E-Mail: maximilian.schmidt@uni-bremen.de
Telefon: (0421) 218-63826
ORCID iD:  0000-0001-8710-1389

Lebenslauf

Abschlussarbeiten

Masterarbeit (12/2018)

Untersuchung Neuronaler Kapsel-Netze im Kontext der Bildklassifikation und Semantischen Segmentierung
Betreuer: Prof. Dr. Dr. h.c. Peter Maaß, Dr. Jens Behrmann
Universität Bremen

Bachelorarbeit (09/2016)

Klassifikation auf MALDI-Daten mit nichtnegativer Matrixfaktorisierung und überwachtem Lernen
Betreuer: Prof. Dr. Dr. h.c. Peter Maaß, Delf Lachmund
Universität Bremen

Arbeit & Forschung

Doktorand im RTG π3 (seit 09/2019)

R3-10: Learning Tikhonov Functionals for Inverse Problems
Zentrum für Technomathematik
Universität Bremen

Wissenschaftlicher Mitarbeiter (seit 01/2019)

Deep Learning & Inverse Probleme
Zentrum für Technomathematik
Universität Bremen

Praktikum (08/2017 - 10/2017)

Größenreduktion von künstlichen neuronalen Netzen
Bosch, Zentralbereich Forschung und Vorausentwicklung
Hildesheim, Deutschland

Studentische Hilfskraft (08/2014 - 12/2018)

Machine Learning & MALDI Imaging
Zentrum für Technomathematik
Universität Bremen

Forschungsgebiete

Projekte

  1. Neuronale Netze im MALDI Imaging (seit 01.10.2016)

Veranstaltungen (Auswahl)vollständige Liste

  1. Computerpraktikum (Wintersemester 2019/2020)
  1. Übungen Mathematical Foundations of Machine Learning (Sommersemester 2019)

Abschlussarbeiten (Auswahl)vollständige Liste

  1. Active learning for semantic segmentation in digital pathology (Jannik Wildner)
  2. Out of Distribution Detection for Purity Assessment of Pellets using Neural Networks (Jannik Wildner)

Publikationen (Auswahl)vollständige Liste

  1. R. Herdt, M. Schmidt, D. Otero Baguer, J. Le Clerc Arrastia, P. Maaß.
    Model Stitching and Visualization How GAN Generators can Invert Networks in Real-Time.
    Zur Veröffentlichung eingereicht.

    online unter: https://arxiv.org/abs/2302.02181

  2. T. Lütjen, F. Schönfeld, J. Leuschner, M. Schmidt, A. Wald, T. Kluth.
    Learning-based approaches for reconstructions with inexact operators in nanoCTapplications.
    Zur Veröffentlichung eingereicht.

    online unter: https://aps.arxiv.org/abs/2307.10474

  3. C. Arndt, A. Denker, S. Dittmer, J. Leuschner, J. Nickel, M. Schmidt.
    Model-based deep learning approaches to the Helsinki Tomography Challenge 2022.
    Applied Mathematics for Modern Challenges, 1(2), 2023.

    DOI: 10.3934/ammc.2023007

  4. M. Schmidt.
    Hybrid Deep Learning: How Combining Data-Driven and Model-Based Approaches Solves Inverse Problems in Computed Tomography and Beyond.
    Dissertationsschrift, Universität Bremen, 2022.

    DOI: 10.26092/elib/1941

  5. C. Arndt, A. Denker, J. Nickel, J. Leuschner, M. Schmidt, G. Rigaud.
    In Focus - hybrid deep learning approaches to the HDC2021 challenge.
    Inverse Problems and Imaging, , 2022.

    DOI: 10.3934/ipi.2022061