M.Sc. Daniel Seichter
Contact:
Zusebau, Raum 3068
Helmholtzplatz 5
98693 Ilmenau
+49 (0)3677 69-4170
Vita
- since 07/2017 Scientific staff member at the Neuroinformatics and Cognitive Robotics Lab
- 2014 Internship at Fraunhofer IDMT Ilmenau
- 2011 - 2017 Study of computer engineering at the Ilmenau University of Technology
Research topics
Machine Learning: Deep Learning, Semantic Segmentation
Teaching
Summer semester
Seminar Neuroinformatik
(SS 2018)
Inhalte:
- Neuronenmodelle (biologisches Neuron, formales Neuron)
- Netzwerkmodelle (grundlegende Verschaltungsprinzipien & Architekturen)
- Wesentliche Lernparadigmen (Supervised / Unsupervised / Reinforcement Learning)
- Deep Learning (Grundidee, Meilensteine)
- Deep Neural Networks (Aufbau, Verschaltungsprinzipien mit Fokus auf Convolutional Neural Networks)
- Implementierung von Anwendungsbeispielen
Praktikum Neuroinformatik
(SS 2018)
Inhalte:
- Vertiefung der Funktionsweise elementarer neuronaler Verarbeitungsprozesse und Lernparadigmen
- Unsupervised Learning (Kohonen-Kette, Neural Gas)
- Supervised Learning (Transferfunktionen, Delta-Regel)
- Convolutional Neural Networks (Faltungs- und Pooling-Operationen)
Winter semester
Seminar Mensch-Maschine-Interaktion
(WS 2017/18, 2018/19)
Inhalte:
- Bildvorverarbeitung (Integralbild, Gaborfilter)
- Hauptkomponentenanalyse (PCA)
- Personendetektion (Eigenfaces, HOG)
- Leistungsbewertung von Detektoren
- Personentracking mittels Partikelfilter
- Wiedererkennung von Personen
Seminar Technische Informatik
(WS 2017/18, 2018/19)
Inhalte:
- Zahlensysteme
- Grundrechenarten im Dualsystem
- Logische Schaltungen
- Boolsche Algebra
- Darstellung negativer Zahlen
- Zahlencodierungen (BCD, Aiken, 3XS)
- Gleitkommazahlen
- Assemblerbefehle
- Turing-Maschine
Praktikum Neuroinformatik
(WS 2017/18, 2018/19)
Inhalte:
- Vertiefung der Funktionsweise elementarer neuronaler Verarbeitungsprozesse und Lernparadigmen
- Unsupervised Learning (Kohonen-Kette, Neural Gas)
- Supervised Learning (Transferfunktionen, Delta-Regel)
- Convolutional Neural Networks (Faltungs- und Pooling-Operationen)
Publikationen
2020
2019
2018
2017

Eisenbach, M., Stricker, R., Seichter, D., Amende, K., Debes, K., Sesselmann, M., Ebersbach, D., Stöckert, U., Gross, H.-M.
How to Get Pavement Distress Detection Ready for Deep Learning? A Systematic Approach.
in: Int. Joint Conf. on Neural Networks (IJCNN), Anchorage, USA, pp. 2039-2047, IEEE 2017 [BibTeX] [PDF] [Dataset]