Maximilian Schmidt

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

• Deep Learning
• Inverse Probleme
• Computertomographie

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. Out of Distribution Detection for Purity Assessment of Pellets using Neural Networks (Jannik Wildner)

Publikationen (Auswahl)vollständige Liste

1. M. Schmidt.
   Around the clock - capsule networks and image transformations.
   PAMM.
   Proceedings in Applied Mathematics and Mechanics, 20(1):e202000179, 2021.

   DOI: 10.1002/pamm.202000179
   online unter: https://onlinelibrary.wiley.com/doi/abs/10.1002/pamm.202000179

2. J. Leuschner, M. Schmidt, P. Ganguly, V. Andriiashen, S. Coban, A. Denker, D. Bauer, A. Hadjifaradji, K. Batenburg, B. Maass, M. von Eijnatten.
   Quantitative Comparison of Deep Learning-Based Image Reconstruction Methods for Low-Dose and Sparse-Angle CT Applications.
   MDPI Journal of Imaging, 7(3), 44 S., 2021.

   DOI: 10.3390/jimaging7030044
   online unter: https://www.mdpi.com/2313-433X/7/3/44

3. J. Leuschner, M. Schmidt, D. Otero Baguer, P. Maaß.
   LoDoPaB-CT, a benchmark dataset for low-dose computed tomography reconstruction.
   Scientific Data, 8(109), 2021.

   DOI: 10.1038/s41597-021-00893-z

4. A. Denker, M. Schmidt, J. Leuschner, P. Maaß, J. Behrmann.
   Conditional Normalizing Flows for Low-Dose Computed Tomography Image Reconstruction.
   ICML Workshop on Invertible Neural Networks, Normalizing Flows, and Explicit Likelihood Models, 18.07-18.07.2020, Wien, Österreich.
   

   online unter: https://invertibleworkshop.github.io/accepted_papers/index.html

5. D. Otero Baguer, J. Leuschner, M. Schmidt.
   Computed Tomography Reconstruction Using Deep Image Prior and Learned Reconstruction Methods.
   Inverse Problems, 36(9), IOPscience, 2020.

   DOI: 10.1088/1361-6420/aba415