Zum Hauptinhalt springen

Maximilian Schmidt

Maximilian Schmidt

Wissenschaftlicher Mitarbeiter

Doktorand Graduiertenkolleg π3
Team Deep Learning und Inverse Probleme

Bibliothekstraße 5
28359 Bremen

Raum: MZH 2050
Telefon: +49 421 218-63826
E-Mail: maximilian.schmidtprotect me ?!uni-bremenprotect me ?!.de

Forschungsgebiete

  • Deep Learning
  • Inverse Probleme
  • Computertomographie

Projekte

  • Graduiertenkolleg π³ - Parameter Identification – Analysis, Algorithms, Applications
  • DELETO - Maschinelles Lernen bei korrelativer MR und Hochdurchsatz-NanoCT

Abschlussarbeiten

  • Out of Distribution Detection for Purity Assessment of Pellets using Neural Networks, Bacherlorarbeit, Jannik Wildner, 2020

 


Zeitschriftenartikel

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: https://doi.org/10.1088/1361-6420/aba415

J. Leuschner, M. Schmidt, P. Fernsel, D. Lachmund, T. Boskamp, P. Maaß.
Supervised Non-negative Matrix Factorization Methods for MALDI Imaging Applications.
Bioinformatics, bty909 , 2018.
DOI: 10.1093/bioinformatics/bty909


Preprints

C. Etmann, M. Schmidt, J. Behrmann, T. Boskamp, L. Hauberg-Lotte, A. Peter, R. Casadonte, J. Kriegsmann, P. Maaß.
Deep Relevance Regularization: Interpretable and Robust Tumor Typing of Imaging Mass Spectrometry Data.
Zur Veröffentlichung eingereicht.
online unter: https://arxiv.org/abs/1912.05459

J. Leuschner, M. Schmidt, D. Otero Baguer, P. Maaß.
The LoDoPaB-CT Dataset: A Benchmark Dataset for Low-Dose CT Reconstruction Methods.
Zur Veröffentlichung eingereicht.
online unter: arXiv:1910.01113


Tagungsbeiträge

M. Schmidt.
Around the clock - capsule networks and image transformations.
PAMM. Proceedings in Applied Mathematics and Mechanics, 20(1):e202000179, 2021.
DOI: https://doi.org/10.1002/pamm.202000179
online unter: https://onlinelibrary.wiley.com/doi/abs/10.1002/pamm.202000179

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

seit 2019Doktorand Research Training Group π3
seit 2019Wissenschaftlicher Mitarbeiter am Zentrum für Technomathematik, Universität Bremen
2018Masterarbeit am ZeTeM, "Untersuchung Neuronaler Kapsel-Netze im Kontext der Bildklassifikation und Semantischen Segmentierung"
2016 - 2018Master Technomathematik, Universität Bremen
2017Praktikum bei Bosch, Zentralbereich Forschung und Vorausentwicklung, Hildesheim, Thema: "Größenreduktion von künstlichen neuronalen Netzen"
2016Bachelorarbeit am ZeTeM, "Klassifikation auf MALDI-Daten mit nichtnegativer Matrixfaktorisierung und überwachtem Lernen"
2013 - 2016Bachelor Technomathematik, Universität Bremen
2014 - 2016Studentische Hilfskraft am ZeTeM im Bereich MALDI Imaging & Machine Learning
  • Computerpraktikum, 03-M-COM-1, WiSe 2019/2020
  • Übungen zur Vorlesung Mathematical Foundations of Machine Learning, 03-M-WP-25, SoSe 2019