Daniel Kienzle

Wissenschaftlicher Mitarbeiter

Lehrstuhl für Maschinelles Lernen und Maschinelles Sehen

Telefon:	+49 (821) 598 2451
E-Mail:
Raum:	1018 (N)
Sprechzeiten:	Nach Vereinbarung
Adresse:	Universitätsstraße 6a, 86159 Augsburg

Kontakt (.vcf)

Lebenslauf

Ausbildung:

2021--Now Promotion in Machine learning & Computer vision an der Universität Augsburg

2018--2021 Master of Science in Theoretischer Festkörperphysik an der Universität Augsburg

2015--2018 Bachelor of Science in Physik an der Universität Augsburg

Forschungsinteressen:

Physics in Machine Learning
Object Localization
Pose Estimation
Self-supervised learning

Über mich:

Ich bin ein Masterabsolvent der Physik, der nun einen Doktortitel im Bereich des Maschinellen Lernens und der Bildverarbeitung anstrebt. Ich interessiere mich für die Verknüpfung von Deep Learning, Bildverarbeitung und Physik. In meiner bisherigen Forschung habe ich mich mit der Frage beschäftigt, wie sich physikalisches Wissen für den Trainingsprozess eines Neuronalen Netzwerkes ausnutzen lässt.

Publikationen

2023 | 2022

2023

Daniel Kienzle, Julian Lorenz, Robin Schön, Katja Ludwig and Rainer Lienhart. 2023. COVID detection and severity prediction with 3D-ConvNeXt and custom pretrainings. In Leonid Karlinsky, Tomer Michaeli, Ko Nishino (Eds.). Computer Vision – ECCV 2022 Workshops: Tel Aviv, Israel, October 23–27, 2022, Proceedings, Part VII. Springer, Berlin, 500-516 DOI: 10.1007/978-3-031-25082-8_33
PDF | BibTeX | RIS | DOI

Katja Ludwig, Daniel Kienzle, Julian Lorenz and Rainer Lienhart. in press. Detecting arbitrary keypoints on limbs and skis with sparse partly correct segmentation masks. In IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) (Workshops). IEEE, Piscataway, NJ
PDF | BibTeX | RIS

Julian Lorenz, Florian Barthel, Daniel Kienzle and Rainer Lienhart. in press. Haystack: a panoptic scene graph dataset to evaluate rare predicate classes. In IEEE International Conference on Computer Vision Workshops (ICCV 2023 Workshops), October 2-6, 2023, Paris, France. IEEE, New York, NY
BibTeX | RIS

Luuk H. Boulogne, Julian Lorenz, Daniel Kienzle, Robin Schön, Katja Ludwig, Rainer Lienhart, Simon Jegou, Guang Li, Cong Chen, Qi Wang, Derik Shi, Mayug Maniparambil, Dominik Müller, Silvan Mertes, Niklas Schröter, Fabio Hellmann, Miriam Elia, Ine Dirks, Matias Nicolas Bossa, Abel Diaz Berenguer, Tanmoy Mukherjee, Jef Vandemeulebroucke, Hichem Sahli, Nikos Deligiannis, Panagiotis Gonidakis, Ngoc Dung Huynh, Imran Razzak, Reda Bouadjenek, Mario Verdicchio, Pasquale Borrelli, Marco Aiello, James A. Meakin, Alexander Lemm, Christoph Russ, Razvan Ionasec, Nikos Paragios, Bram van Ginneken and Marie-Pierre Revel Dubios. in press. The STOIC2021 COVID-19 AI challenge: applying reusable training methodologies to private data. preprint.
BibTeX | RIS | URL

2022

Katja Ludwig, Daniel Kienzle and Rainer Lienhart. 2022. Recognition of freely selected keypoints on human limbs. In Rama Chellappa, Jiri Matas, Long Quan, Mubarak Shah, Eric Mortensen (Eds.). 2022 IEEE/CVF International Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), New Orleans, LA, USA, 19-24 June 2022. IEEE, Piscataway, NJ, 3530-3538 DOI: 10.1109/CVPRW56347.2022.00397
PDF | BibTeX | RIS | DOI

Google Scholar

Betreute Abschlussarbeiten

Clarissa Dinu-Fröhlich, Erstellung von Modellen zur Semantischen Segmentierung von Körperteilen unter Verwendung von schwachen Segementierungsmasken, Projektmodul, Juni 2023
Jan Claar, Measurement of Droplets in Vaporized Fluids using Machine Learning Techniques, Bachelorarbeit, März 2023
Jonas Kell, Investigation of transformer architectures for geometrical graph structures and their application to two-dimensional spin systems, Bachelorarbeit, Oktober 2022
Patrick Hopf, Zeitliche Dynamik in Quantenbillards mit Hilfe neuronaler Netze, Bachelorarbeit, Dezember 2021

Lehre

WS 2021/22: Grundlagen der Signalverarbeitung und des Maschinellen Lernens
SS 2022: Machine Learning and Computer Vision
WS 2022/23: Grundlagen der Signalverarbeitung und des Maschinellen Lernens
SS 2023: Machine Learning and Computer Vision, Seminar über Multimedia und Maschinelles Sehen, Seminar über Multimediale Datenverarbeitung
WS 2023/24: Grundlagen der Signalverarbeitung und des Maschinellen Lernens