Foto von Martin Knoche

Martin Knoche, M.Sc.

Technische Universität München

Lehrstuhl für Mensch - Maschine - Kommunikation (Prof. Rigoll)

Postadresse

Postal:
Arcisstr. 21
80333 München

Forschungsgebiete

  • Deep Learning
  • Computer Vision
  • Face Recognition
  • Super-Resolution

Publikationen

(Keine Dokumente in dieser Ansicht)

Projekte

Datengetriebene Wertschöpfung von Multimedia Content
Projektpartner: ProSiebenSat.1 Media SE, munich media intelligence
Projektzeitraum: 01.03.2018 - 30.09.2018

Grundrechtskonforme Gesichtserkennung im öffentlichen Raum
Projektpartner: Uniscon GmbH, Tüv Süd Digital Services, AXIS GmbH
Projektzeitraum: 01.10.2018 - 31.12.2020

Lehre

Assistent bei:

  • Signaltheorie (WS2021/22)
  • Signaltheorie für Wiederholer (SS2021)
  • Signaltheorie (WS2020/21)
  • Signaltheorie für Wiederholer (SS2020)
  • Signaltheorie (WS 2019/21)
  • Signaldarstellung für Wiederholer (SS2019)

Betreuung:

  • Praktikum System- und Schaltungstechnik (WS 2019/20)

Studentische Arbeiten

Bei Anfragen zu studentischen Arbeiten reichen Sie bitte folgende Unterlagen mit ein:

  • Aktueller Lebenslauf
  • Notenauszug
  • Bisherige Erfahrungen aus dem Themengebiet
  • Starttermin

Offen

Alle ausgeschriebenen Arbeiten finden Sie hier.

Abgeschlossen

2021

  • Generating and Evaluating a Dataset for Realistic Cross-Resolution Face-Recognition (Bachelor´s Thesis)

2020

  • Comparison of SOTA Super-Resolution-Methods in the domain of Face Recognition (Research Internship)
  • Implementation of "Visualization of Activations" in a state-of-the-art Face Recognition Network (Research Internship)

2019

  • Enhanced Deep Residual Networks for Single Image Super-Resolution (Scientific Seminar)
  • Single Image and Multi Image Super Resolution for Face Identification (Master´s Thesis)
  • Attention Mechanisms in an Appearance Matching Network (Research Internship)
  • Enhanced Deep Residual Networks for Single Image Super-Resolution (Scientific Seminar)
  • Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network (Scientific Seminar)

2018

  • Repulsion Loss - Detecting Pedestriants in a Crowd (Scientific Seminar)
  • Wide Compression - Tensor Ring Nets (Scientifc Seminar)