Dr. Maximilian Schmidt
Wissenschaftlicher Mitarbeiter der AG Technomathematik, Research Training Group π3E-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
- Deep Learning
- Inverse Probleme
- Computertomographie
Projekte
- Neuronale Netze im MALDI Imaging (seit 01.10.2016)
Veranstaltungen (Auswahl)
- Computerpraktikum (Wintersemester 2019/2020)
- Übungen Mathematical Foundations of Machine Learning (Sommersemester 2019)
Abschlussarbeiten (Auswahl)
- Active learning for semantic segmentation in digital pathology (Jannik Wildner)
- Out of Distribution Detection for Purity Assessment of Pellets using Neural Networks (Jannik Wildner)
Publikationen (Auswahl)
- 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
- 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
- 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
- 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
- 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