Prof. Dr. Torsten Schön


Prof. Dr. Torsten Schön
Raum: K201
Lehrgebiet: Computer Vision for Intelligent Mobility Systems
Fakultät: Fakultät I
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
Veröffentlichungen
  • Predicting Driver Behavior on the Highway with Multi-Agent Adversarial Inverse Reinforcement Learning, H Radtke, H Bey, M Sackmann, T Schön - 2023 IEEE Intelligent Vehicles Symposium (IV), 2023
  • Rößle Dominik, Prey Lukas, Ramgraber Ludwig, Hanemann Anja, Cremers Daniel, Noack Patrick Ole, Schön Torsten. Efficient Noninvasive FHB Estimation using RGB Images from a Novel Multiyear, Multirater Dataset. Plant Phenomics. 2023:5;0068. DOI:10.34133/plantphenomics.0068
  • C. de Andrade, M.; Nogueira, M.; Fidelis, E.; Campos, L.; Campos, P.; Schön, T. and de Abreu Faria, L. (2023). Exploiting GAN Capacity to Generate Synthetic Automotive Radar Data. In Proceedings of the 18th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications - Volume 4: VISAPP
  • B. J. Souza et al., "AImotion Challenge Results: a Framework for AirSim Autonomous Vehicles and Motion Replication," 2022 2nd International Conference on Computers and Automation (CompAuto), Paris, France, 2022, pp. 42-47, doi: 10.1109/CompAuto55930.2022.00015.
  • D Rößle, D Cremers, T Schön. "Perceiver Hopfield Pooling for Dynamic Multi-modal and Multi-instance Fusion", International Conference on Artificial Neural Networks (2022), 599-610
  • H Schieber, F Duerr, T Schoen, J Beyerer. "Deep Sensor Fusion with Pyramid Fusion Networks for 3D Semantic Segmentation", IEEE Intelligent Vehicles Symposium (IV) (IV 2022), Aachen, Germany
  • T. Schön, Artificial Intelligence Inspired by Human Learning, Book chapter in AI.Mobility.Science, ISBN 978-3-00-071542-6 (2022)

  • F Leinen, V Cozzolino, T Schön. "VolNet: Estimating Human Body Part Volumes from a Single RGB Image", arXiv preprint arXiv:2107.02259 (2021)

  • T Balaji, P Blies, G Göri, R Mitsch, M Wasserer, T Schön. "Temporally coherent video anonymization through GAN inpainting", arXiv preprint arXiv:2106.02328 (2021)
  • Patrick Wenzel, Torsten Schön, Laura Leal-Taixé, and Daniel Cremers. „Vision-Based Mobile Robotics Obstacle Avoidance With Deep Reinforcement Learning”. In: IEEE International Conference on Robotics and Automation (ICRA), 2021. DOI:10.1109/ICRA48506.2021.9560787
  • Torsten Schön, Martin Stetter, Elmar W. Lang, Physarum Learner: A bio-inspired way of learning structure from data, Expert Systems With Applications, 2014
  • Torsten Schön, Martin Stetter, Elmar W. Lang, A new Physarum Learner for Network Structure Learning from Biomedical Data, Proceedings of the 6th International Conference in Bio-inspired Systems and Signal Processing BIOSIGNALS 2013, February 11-14, Barcelona, Spain
  • Torsten Schön, Martin Stetter, Elmar W. Lang, Structure Learning for Bayesian Networks using the Physarum Solver, Proceedings of the 11th International Conference on Machine Learning and Applications ICMLA 2012, December 12-15, Boca Raton, Florida, USA
  • Torsten Schön , Alexey Tsymbal , Martin Huber, Gene-pair representation and incorporation of GO-based semantic similarity into classification of gene expression data, Intelligent Data Analysis 2012
  • Torsten Schön , Alexey Tsymbal , Martin Huber, Gene-Pair Representation and Incorporation of GO-based Semantic Similarity into Classification of Gene Expression Data, Proceedings of the 7th international conference on Rough sets and current trends in computing, June 28-30, 2010, Warsaw, Poland

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.

Lehrtätigkeiten

Angebotene Lehrveranstaltungen:

Frühere Lehrveranstaltungen:


Institut für Akademische Weiterbildiung:

 

Offene Stellen

Sie interessieren sich für Computer Vision und meine Forschungsgruppe? Dann bewerben Sie sich auf eine aktuell offene Stellen.

Wissenschaftliche Mitarbeiter/-innen

Doctoral Candidate (m/f/d) Computer Vision for Autonomous Vehicle Perception

 

Abschlussarbeiten

Ihre Abschlussarbeit ist zwar einerseits der Abschluss Ihres Studiums, aber gleichzeitig auch der Beginn Ihrer beruflichen Zukunft!

Nutzen Sie die Chance bereits mit Ihrer Abschlussarbeit in eines der attraktivsten Zukunftsthemen einzusteigen: Künstliche Intelligenz!

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 Abschlussarbeiten finden Sie in Moodle

Keine passendes Thema dabei? Wenn Sie Interesse an dem Gebiet der Computer Vision haben, finden wir sicherlich ein interessantes Thema für Ihre Abschlussarbeit. Schreiben Sie mir hierfür bitte eine E-Mail.

 

Studentische Hilfskräfte

Aktuell sind leider keine offenen Stellen für studentische Hilfskräfte vorhanden.

Mitarbeiter/-innen der Forschungsgruppe

Dominik Rößle
Wissenschaftlicher Mitarbeiter

+49 841 9348-6603
Muhammad Saad Nawaz
PhD student (extern)
Luca Schreiber
Wiss. Mitarb. THILearning LabVR

+49 841 9348-2851
Daniel Kriegl
Wissenschaftlicher Mitarbeiter

+49 841 9348-2349