Zum Inhalt springen

Prof. Dr. Torsten Schön

Computer Vision for Intelligent Mobility Systems

Informationen

Prof. Dr. Torsten Schön

Vita

  • Seit 2020 Forschungsprofessur an der THI
  • 2014-2020: Audi AG: Senior Data Scientist für Künstliche Intelligenz
  • 2013-2014: dotplot GmbH und Clueda AG: Data Scientist
  • 2013-2014: FHM Bamberg: Dozent für deskriptive und induktive Statistik
  • 2011-2013: SustSol GmbH: Doktorand und Software Entwickler
  • 2011-2013: Universität Regensburg: Doktor der Naturwissenschaften in Machine Learning
  • 2010-2013: Softgate GmbH: Software Entwickler
  • 2008-2013: Selbstständig: Webentwicklung und -design
  • 2005-2010 Hochschule Weihenstephan-Triesdorf: Diplomstudium der Bioinformatik
E-Mail
Torsten.Schoen@thi.de
Telefon
+49 841 9348-2335
Raum
K201
Lehrgebiet
Computer Vision for Intelligent Mobility Systems
Fakultät
Fakultät I


Git Repository Follow me on LinkedIn

Computer Vision for Intelligent Mobility Systems

Die Forschungsgruppe Computer Vision for Intelligent Mobility Systems befasst sich mit Deep Learning Methoden zur Analyse und Generierung von Bilddaten. Dabei werden Daten aus unterschiedlichen bildgebenden Sensoren im zwei- sowie dreidimensionalen Raum verarbeitet. Ziel der Forschungsgruppe ist die Entwicklung einer super-human Wahrnehmung für automatisierte Fahrzeuge, Fluggeräte, Schienenfahrzeuge, und sonstige Fortbewegungsmittel sowie die Analyse von Bilddaten aus Infrastruktursensoren zur Verkehrsüberwachung. Um dieses Ziel zu erreichen, forscht die Gruppe an neuartigen Deep Learning Architekturen und deren Anwendung auf Mobilitätssysteme. Ein wichtiger Baustein davon ist die zuverlässige Erkennung von Objekten sowie die vollständige semantische Segmentierung der Umgebung auch unter schwierigen Bedingungen wie starker Regen oder Schneefall. Hierfür werden meist mehrere Sensormodalitäten verwendet, welche mittels Deep Fusion zusammengeführt werden können. Um die Vielzahl an Trainingsdaten zu erzeugen, befasst sich die Forschungsgruppe weiter mit der Simulation von Bilddaten und wie diese mittels Transfer Learning oder Generative Adversarial Networks so umgewandelt werden können, dass sie wie reale Daten erscheinen.

Neben den Bestrebungen im Mobilitätsbereich engagiert sich die Forschungsgruppe für den Einsatz von Computer Vision für verbesserten Umweltschutz und mehr Nachhaltigkeit.

Forschungsprojekte

Angebotene Lehrveranstaltungen:

Frühere Lehrveranstaltungen:

Campus für Weiterbildung:

 

Zusätzliches Engangement

Interessieren Sie sich für Computer Vision und meine Forschungsgruppe? Dann bewerben Sie sich gerne auf eine aktuell offene Stelle.

Wissenschaftliche Mitarbeiter/-innen

Aktuell keine.

Abschlussarbeiten und Studentische Hilfskräfte

Ich biete Ihnen unterschiedliche Themen aus dem Bereich Computer Vision, speziell Deep Learning, mit Anwendung in der Mobilität entweder direkt in meiner Forschungsgruppe oder stelle die Verbindung zu interessanten Industriekontakten her. Aktuelle Ausschreibungen finden Sie als Aushänge im K Gebäude oder unter folgendem Link in moodle:

Aktuelle Abschlussarbeiten finden Sie in Moodle

Mitarbeiter/-innen der Forschungsgruppe

Publikationen

Publikationen

2026

MOHAN, Adithya, Xujun XIE, Venkatesh THIRUGNANA SAMBANDHAM und Torsten SCHÖN, 2026. Real-Time Evaluation of Autonomous Systems under Adversarial Attacks [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2605.03491
THIRUGNANA SAMBANDHAM, Venkatesh und Torsten SCHÖN, 2026. Embedding Arithmetic: A Lightweight, Tuning-Free Framework for Post-hoc Bias Mitigation in Text-to-Image Models [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2604.18167
SMITH, Megan, Venkatesh THIRUGNANA SAMBANDHAM, Florian RICHTER, Laura Caroline CROMPTON, Matthias UHL und Torsten SCHÖN, 2026. Operationalizing Fairness in Text-to-Image Models: A Survey of Bias, Fairness Audits and Mitigation Strategies [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2604.16516
BLUM, Dominik, Elias HÄRING, Fabian JIRGES, Martin SCHÄFFER, David SCHICK, Florian SCHULENBERG und Torsten SCHÖN, 2026. Zwitscherkasten - DIY Audiovisual bird monitoring [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2602.13330
RÖSSLE, Dominik, Xujun XIE, Adithya MOHAN, Venkatesh THIRUGNANA SAMBANDHAM, Daniel CREMERS und Torsten SCHÖN, 2026. DrivIng: A Large-Scale Multimodal Driving Dataset with Full Digital Twin Integration [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2601.15260
MOHAN, Adithya und Torsten SCHÖN, 2026. Toward Robust Agents: A Survey of Adversarial Attacks and Defenses in Deep Reinforcement Learning. IEEE Access, 14, 14481-14497. ISSN 2169-3536. Verfügbar unter: https://doi.org/10.1109/ACCESS.2026.3657855

2025

FADL, Islam, Torsten SCHÖN, Valentino BEHRET, Thomas BRANDMEIER, Frank PALME und Thomas HELMER, 2025. Environment Setup and Model Benchmark of the MuFoRa Dataset. In: BASHFORD-ROGERS, Thomas, Daniel MENEVEAUX, Mehdi AMMI, Mounia ZIAT, Stefan JÄNICKE, Helen PURCHASE, Petia RADEVA, Antonino FURNARI, Kadi BOUATOUCH und A. Augusto SOUSA, Hrsg. Proceedings of the 20th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications - (Volume 3). Setúbal: SciTePress, S. 729-737. ISBN 978-989-758-728-3. Verfügbar unter: https://doi.org/10.5220/0013307900003912
JOSÉ SOUZA, Bruno, Anderson SZEJKA, Roberto ZANETTI FREIRE und Torsten SCHÖN, 2025. A Computer Vision Approach for Enhancing Precision in Manufacturing Assembly Under the Industry 5.0 Concept. In: SRIHARI, Krishnaswami, Mohammad T. KHASAWNEH, Sangwon YOON und Daehan WON, Hrsg. Flexible Automation and Intelligent Manufacturing: The Future of Automation and Manufacturing: Intelligence, Agility, and Sustainability, Proceedings of FAIM 2025, June 21–24, 2025, New York City, NY, USA, Volume 2. Cham: Springer, S. 531-539. ISBN 978-3-032-05610-8. Verfügbar unter: https://doi.org/10.1007/978-3-032-05610-8_52
CHANDRA SEKARAN, Karthikeyan, Markus GEISLER, Dominik RÖSSLE, Adithya MOHAN, Daniel CREMERS, Wolfgang UTSCHICK, Michael BOTSCH, Werner HUBER und Torsten SCHÖN, 2025. UrbanIng-V2X: A Large-Scale Multi-Vehicle, Multi-Infrastructure Dataset Across Multiple Intersections for Cooperative Perception [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2510.23478
KAMMERLANDER, Calvin, Viola KOLB, Marinus LUEGMAIR, Lou SCHEERMANN, Maximilian SCHMAILZL, Marco SEUFERT, Jiayun ZHANG, Denis DALIC und Torsten SCHÖN, 2025. Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2503.22276
MOHAN, Adithya, Dominik RÖSSLE, Daniel CREMERS und Torsten SCHÖN, 2025. Advancing Robustness in Deep Reinforcement Learning with an Ensemble Defense Approach [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2507.17070

2024

HASHEMI, Vahid, Jan KŘETÍNSKÝ, Sabine RIEDER, Torsten SCHÖN und Jan VORHOFF, ÁBRAHÁM, Erika und Houssam ABBAS, Hrsg., 2024. Gaussian-Based and Outside-the-Box Runtime Monitoring Join Forces [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2410.06051
RÖSSLE, Dominik, Jeremias GERNER, Klaus BOGENBERGER, Daniel CREMERS, Stefanie SCHMIDTNER und Torsten SCHÖN, 2024. Unlocking Past Information: Temporal Embeddings in Cooperative Bird’s Eye View Prediction [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2401.14325
WACHTEL GRANADO, Diogo, Samuel QUEIROZ, Torsten SCHÖN, Werner HUBER und Lester FARIA, 2024. A novel Conditional Generative Adversarial Networks for Automotive Radar Range-Doppler Targets Synthetic Generation. 2023 IEEE 26th International Conference on Intelligent Transportation Systems (ITSC). Piscataway: IEEE, S. 3964-3969. ISBN 979-8-3503-9946-2. Verfügbar unter: https://doi.org/10.1109/ITSC57777.2023.10422067
GERNER, Jeremias, Dominik RÖSSLE, Daniel CREMERS, Klaus BOGENBERGER, Torsten SCHÖN und Stefanie SCHMIDTNER, 2024. Enhancing Realistic Floating Car Observers in Microscopic Traffic Simulation. 2023 IEEE 26th International Conference on Intelligent Transportation Systems (ITSC). Piscataway: IEEE, S. 2396-2403. ISBN 979-8-3503-9946-2. Verfügbar unter: https://doi.org/10.1109/ITSC57777.2023.10422398

2023

RÖSSLE, Dominik, Lukas PREY, Ludwig RAMGRABER, Anja HANEMANN, Daniel CREMERS, Patrick Ole NOACK und Torsten SCHÖN, 2023. Efficient Noninvasive FHB Estimation using RGB Images from a Novel Multiyear, Multirater Dataset. Plant Phenomics, 5, 68. ISSN 2643-6515. Verfügbar unter: https://doi.org/10.34133/plantphenomics.0068
RADTKE, Henrik, Henrik BEY, Moritz SACKMANN und Torsten SCHÖN, 2023. Predicting Driver Behavior on the Highway with Multi-Agent Adversarial Inverse Reinforcement Learning. IEEE IV 2023 IEEE Intelligent Vehicles Symposium: Proceedings. Piscataway: IEEE. ISBN 979-8-3503-4691-6. Verfügbar unter: https://doi.org/10.1109/IV55152.2023.10186547
FIDELIS, Eduardo, Fabio REWAY, Herick Y. S. RIBEIRO, Pietro CAMPOS, Werner HUBER, Christian ICKING, Lester FARIA und Torsten SCHÖN, 2023. Generation of Realistic Synthetic Raw Radar Data for Automated Driving Applications using Generative Adversarial Networks [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2308.02632
DE ANDRADE, Mauren Louise S. C., Matheus VELLOSO NOGUEIRA, Eduardo FIDELIS, Luiz Henrique AGUIAR CAMPOS, Pietro CAMPOS, Torsten SCHÖN und Lester DE ABREU FARIA, 2023. Exploiting GAN Capacity to Generate Synthetic Automotive Radar Data. In: RADEVA, Petia, Giovanni Maria FARINELLA und Kadi BOUATOUCH, Hrsg. Proceedings of the 18th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications - Volume 4. Setúbal: SciTePress, S. 262-271. ISBN 978-989-758-634-7. Verfügbar unter: https://doi.org/10.5220/0011672400003417
JOSÉ SOUZA, Bruno, Lucas C. DE ASSIS, Dominik RÖSSLE, Roberto ZANETTI FREIRE, Daniel CREMERS, Torsten SCHÖN und Munir GEORGES, 2023. AImotion Challenge Results: a Framework for AirSim Autonomous Vehicles and Motion Replication. 2022 2nd International Conference on Computers and Automation (CompAuto 2022): Proceedings. Piscataway: IEEE, S. 42-47. ISBN 978-1-6654-8194-6. Verfügbar unter: https://doi.org/10.1109/CompAuto55930.2022.00015

2022

SCHIEBER, Hannah, Fabian DUERR, Torsten SCHÖN und Jürgen BEYERER, 2022. Deep Sensor Fusion with Pyramid Fusion Networks for 3D Semantic Segmentation [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2205.13629
SCHÖN, Torsten, 2022. Artificial Intelligence Inspired by Human Learning. In: SCHOBER, Walter, Hrsg. AI. Mobility. Science. Brazil - Germany 2021/22. Ingolstadt: Technische Hochschule Ingolstadt, S. 34-37. ISBN 978-3-00-071542-6. Verfügbar unter: https://www.yumpu.com/en/document/view/67041540/bascinet-ai-mobility-science
RÖSSLE, Dominik, Daniel CREMERS und Torsten SCHÖN, 2022. Perceiver Hopfield Pooling for Dynamic Multi-modal and Multi-instance Fusion. In: PIMENIDIS, Elias, Plamen ANGELOV, Chrisina JAYNE, Antonios PAPALEONIDAS und Mehmet AYDIN, Hrsg. Artificial Neural Networks and Machine Learning – ICANN 2022: 31st International Conference on Artificial Neural Networks, Bristol, UK, September 6–9, 2022, Proceedings, Part I. Cham: Springer, S. 599-610. ISBN 978-3-031-15918-3. Verfügbar unter: https://doi.org/10.1007/978-3-031-15919-0_50

2021

LEINEN, Fabian, Vittorio COZZOLINO und Torsten SCHÖN, 2021. VolNet: Estimating Human Body Part Volumes from a Single RGB Image [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2107.02259
BALAJI, Thangapavithraa, Patrick BLIES, Georg GÖRI, Raphael MITSCH, Marcel WASSERER und Torsten SCHÖN, 2021. Temporally coherent video anonymization through GAN inpainting [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.2106.02328
WENZEL, Patrick, Torsten SCHÖN, Laura LEAL-TAIXÉ und Daniel CREMERS, 2021. Vision-based mobile robotics obstacle avoidance with deep reinforcement learning. 2021 IEEE International Conference on Robotics and Automation (ICRA). Piscataway: IEEE, S. 14360-14366. ISBN 978-1-7281-9077-8. Verfügbar unter: https://doi.org/10.1109/ICRA48506.2021.9560787

2019

KHAN, Qadeer, Torsten SCHÖN und Patrick WENZEL, 2019. Towards Self-Supervised High Level Sensor Fusion [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.1902.04272
KHAN, Qadeer, Torsten SCHÖN und Patrick WENZEL, 2019. Semantic Label Reduction Techniques for Autonomous Driving [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.1902.03777
KHAN, Qadeer, Torsten SCHÖN und Patrick WENZEL, 2019. Latent Space Reinforcement Learning for Steering Angle Prediction [Preprint]. arXiv. Verfügbar unter: https://doi.org/10.48550/arXiv.1902.03765

2016

SCHÖN, Torsten, Martin STETTER, O. BELOVA, A. KOCH, Ana Maria TOMÉ und Elmar W. LANG, 2016. Physarum Learner: A Slime Mold Inspired Structural Learning Approach. In: ADAMATZKY, Andrew, Hrsg. Advances in Physarum Machines: Sensing and Computing with Slime Mould. Cham: Springer, S. 489-517. ISBN 978-3-319-26662-6. Verfügbar unter: https://doi.org/10.1007/978-3-319-26662-6_25

2014

SCHÖN, Torsten, Martin STETTER, Ana Maria TOMÉ, Carlos Garcia PUNTONET und Elmar W. LANG, 2014. Physarum Learner: A bio-inspired way of learning structure from data. Expert Systems with Applications, 41(11), 5353-5370. ISSN 0957-4174. Verfügbar unter: https://doi.org/10.1016/j.eswa.2014.03.002

2013

SCHÖN, Torsten, Martin STETTER, Ana Maria TOMÉ und Elmar W. LANG, 2013. A New Physarum Learner for Network Structure Learning from Biomedical Data. In: ALVAREZ, Sergio A., Jordi SOLÉ-CASALS, Ana FRED und Hugo GAMBOA, Hrsg. Proceedings of the International Conference on Bio-inspired Systems and Signal Processing BIOSTEC. Setúbal: SciTePress, S. 151-156. ISBN 978-989-8565-36-5. Verfügbar unter: https://doi.org/10.5220/0004227401510156

2012

SCHÖN, Torsten, Martin STETTER und Elmar W. LANG, 2012. Structure Learning for Bayesian Networks Using the Physarum Solver. In: WANI, M. Arif, Taghi KHOSHGOFTAAR, Xingquan ZHU und Naeem SELIYA, Hrsg. Proceedings, 2012 11th International Conference on Machine Learning and Applications, ICMLA 2012, Volume 2. Los Alamitos: IEEE, S. 488-493. ISBN 978-1-4673-4651-1. Verfügbar unter: https://doi.org/10.1109/ICMLA.2012.89
SCHÖN, Torsten, Alexey TSYMBAL und Martin HUBER, 2012. Gene-pair representation and incorporation of GO-based semantic similarity into classification of gene expression data. Intelligent Data Analysis, 16(5), 827-843. ISSN 1088-467X. Verfügbar unter: https://dl.acm.org/doi/10.5555/2595525.2595531

Dominik Rößle

Sebastian Vauth

Daniel Kriegl

Zum Seitenanfang springen