Prof. Dr. Benjamin Risse

Prof. Dr. Benjamin Risse

Einsteinstraße 62, Raum 609
48149 Münster

T: +49 251 83-32717
F: +49 251 83-33 755

Sprechzeiten

Nach Vereinbarung

Akademische Profile

  • Forschungsschwerpunkte

    Computer Vision

    Computer Vision; Image Processing; Computer Graphics

    Machine Learning

    Deep Learning; Pattern Recognition

    Engineering

    3D Printing; Robotics; Embedded Systems; Imaging Techniques; Sensor Fusion

    Biomedicine

    Behavioural Biology; Neurobiology; Artificial Life

  • Weitere Zugehörigkeiten an der Universität Münster

  • Vita

    Akademische Ausbildung

    Professor, University of Münster, Münster, Germany
    Junior Professor (W1), University of Münster, Münster, Germany
    Ph. D. studies, University of Münster, Münster Germany
    Diplom Informatiker (Dipl. Inf.; MSc equivalent), University of Münster, Münster, Germany

    Beruflicher Werdegang

    Professor, University of Münster, Münster, Germany
    Junior Professor (W1), University of Münster, Münster, Germany, Faculty of Mathematics and Computer Science
    Research Associate, University of Edinburgh, Edinburgh, United Kingdom, Institute for Action, Perception and Behaviour (Insect Robotics Group)
    Ph. D. studies, University of Münster, Münster, Germany, Supervisors: Prof. X. Jiang (Pattern Recognition and Image Analysis) & Prof. C. Klämbt (Institute for Neuro- and Behavioural Biology)
    Diploma degree in computer science with a minor in biology, University of Münster, Münster, Germany

    Preise

    Paper of the Month – Medizinische Fakultät der Universität Münster
    Lehrpreis – Universität Münster
    Lehrpreis – Fachschaft für Mathematik & Informatik der Universität Münster
    BMVC Outstanding Reviewer Award – The British Machine Vision Association (BMVC)
    Preis für Praktische Informatik (1. Platz) – IHK Nord Westfalen

    Mitgliedschaften und Aktivitäten in Gremien

    German Informatics Society Membership, Gesellschaft für Informatik e.V. (GI)
    IEEE Membership, Young Professionals and Computer Society Membership.

    Rufe


    WWU Münster, Geoinformatics (W2) – angenommen
    Ruf auf Junior Profesur für praktische Informatik (W1), Universität Münster
    WWU Münster, Praktische Informatik (W1) – angenommen

  • Lehre

    Vorlesung
    • Vorlesung: Core Topics in Geographic Information Science [140980]
      (zusammen mit Jun.-Prof. Jakub Krukar, Prof. Dr. Angela Schwering, Prof. Dr. Edzer Pebesma, Prof. Dr. Christian Kray)
      [ - | | wöchentlich | Mo | HC O1 | Jun.-Prof. Jakub Krukar]
    Seminar
    • Seminar: Machine Learning for Visual Spatio-Temporal Data [140972]
      [ - | | wöchentlich | Do | GEO1 242 | Prof. Dr. Benjamin Risse]
      [ - | | wöchentlich | Fr | GEO1 242 | Prof. Dr. Benjamin Risse]
    Praktikum
    • Praktikum: Geosoftware I [140957]
      (zusammen mit Dominik Drees)
      [ - | | wöchentlich | Mo | StudLab GEO1 125 | Prof. Dr. Benjamin Risse]

    Seminar
    • Seminar: Introduction to Software Programming [148968]
      [ - | | wöchentlich | Di | StudLab GEO1 130 | Prof. Dr. Benjamin Risse]
      [ - | | wöchentlich | Do | StudLab GEO1 130 | Prof. Dr. Benjamin Risse]
    Sonstige Lehrveranstaltungen
    • Projektveranstaltung: Study Project: Animal Welfare - Tracking Zebrafish in Laboratory Conditions [149070]
    • Project Management [148962]
      (zusammen mit Christian Remfert)
      [ - | Prof. Dr. Benjamin Risse]
      [ - | Prof. Dr. Benjamin Risse]
      [ - | Prof. Dr. Benjamin Risse]

    Vorlesungen
    • Vorlesung: Core Topics in Geographic Information Science [146958]
      (zusammen mit Jun.-Prof. Jakub Krukar, Prof. Dr. Angela Schwering, Prof. Dr. Edzer Pebesma, Prof. Dr. Christian Kray)
    • Ringvorlesung: Ringvorlesung Geoinformatik [146972]
      (zusammen mit Dr. Thomas Bartoschek, Prof. Dr. Angela Schwering, Prof. Dr. Edzer Pebesma, Prof. Dr. Christian Kray)
    Seminar
    • Seminar: Machine Learning for Visual Spatio-Temporal Data [146975]
    Praktikum
    • Praktikum: Geosoftware I [146957]
      (zusammen mit Dominik Drees)
    Sonstige Lehrveranstaltung
    • Projektveranstaltung: Studienprojekt 1 - Machine Learning trifft Insect Monitoring [146980]

    Seminar
    • Seminar: Introduction to Software Programming [144970]
    Sonstige Lehrveranstaltung
    • Project Management [144961]
      (zusammen mit Christian Remfert)

    Vorlesung
    • Ringvorlesung: Ringvorlesung Geoinformatik [142961]
      (zusammen mit Dr. Thomas Bartoschek, Prof. Dr. Angela Schwering, Prof. Dr. Edzer Pebesma, Prof. Dr. Christian Kray)
    Seminare
    • Seminar: Machine Learning for Visual Spatio-Temporal Data [142986]
    • Seminar: Geoinformatics Forum Discussion Group [142982]
    Praktikum
    • Praktikum: Geosoftware I [142960]
      (zusammen mit Dominik Drees)
    Kolloquium
    • Kolloquium: Geoinformatics Forum [142967]

  • Projekte

    • SFB 1450 - B04: Multiskalige Darstellung und Analyse der Leukozytenwanderung in hypoxischen Entzündungsbereichen in vivo ( – )
      Teilprojekt in DFG-Verbund koordiniert an der Universität Münster: DFG - Sonderforschungsbereich | Förderkennzeichen: SFB 1450/2, B04
    • RE-CARE – Resiliente Gesundheitssysteme in Zeiten Multipler Krisen: Eine Deutsch-Japanische Kooperation (seit )
      Gefördertes Einzelprojekt: DFG - Internationale Kooperationsanbahnung | Förderkennzeichen: KR 5454/1-1
    • InFlame – Else Kröner Medical Scientist Kolleg Münster - Dynamik von Entzündungsreaktionen ( – )
      participations in other joint project: Else Kröner Medical Scientist Kolleg | Förderkennzeichen: 2021_EKMK.13
    • ReproTrack.MS – Centre for Research and Development of Reproductive Scientists ( – )
      participations in bmbf-joint project: Bundesministerium für Bildung und Forschung | Förderkennzeichen: 01GR2303
    • SPP 2363 - Teilprojekt: Neuronale Fingerabdrücke als struktur- und aktivitätssensitive molekulare Darstellungen ( – )
      Teilprojekt in DFG-Verbund koordiniert an der Universität Münster: DFG - Schwerpunktprogramm | Förderkennzeichen: KO 4689/7-1; RI 2938/3-1
    • InterKI – Interdisziplinäres Lehrprogramm zu maschinellem Lernen und künstlicher Intelligenz ( – )
      Gefördertes Einzelprojekt: Bundesministerium für Bildung und Forschung | Förderkennzeichen: 16DHBKI049
    • Friends with benefits? A holistic approach to diffuse mutualism in plant pollinator interactions ( – )
      participations in other joint project: HFSP - Research Grant - Program | Förderkennzeichen: RGP0057/2021
    • maQinto – Maschinell trainierter Qualitätssensor, intelligente Prozessteuerung und ein ML-Framework zur ressourceneffizienten, maßgeschneiderten Kohlenstofffaserherstellung ( – )
      participations in bmbf-joint project: Bundesministerium für Bildung und Forschung | Förderkennzeichen: 01I522020D
    • SFB 1450 - B04: Multiskalige Darstellung und Analyse der Leukozytenwanderung in hypoxischen Entzündungsbereichen in vivo ( – )
      Teilprojekt in DFG-Verbund koordiniert an der Universität Münster: DFG - Sonderforschungsbereich | Förderkennzeichen: SFB 1450/1, B04
    • SFB 1459 - C05: Kohärente nanophotonische neuronale Netzwerke mit adaptiven molekularen Systemen ( – )
      Teilprojekt in DFG-Verbund koordiniert an der Universität Münster: DFG - Sonderforschungsbereich | Förderkennzeichen: SFB 1459/1, C05
    • meditrain – Verbundprojekt: Intelligente Virtuelle Agenten für die Medizinische Ausbildung (medical tr.AI.ning) - Teilvorhaben: Entwicklung und Erforschung von intelligenten virtuellen Agenten für die klinisch-medizinische Ausbildung mit Schwerpunkt in KI ( – )
      participations in bmbf-joint project: Bundesministerium für Bildung und Forschung | Förderkennzeichen: 16DHBKI077
    • Learning from Neuroscience to Investigate the IQ of Deep Neural Networks ( – )
      Gefördertes Einzelprojekt: MKW - Förderlinie „Künstliche Intelligenz/Maschinelles Lernen“ - KI-Starter | Förderkennzeichen: 005-2010-0055
    • GIGA Gebärdensprachen - Entwicklung einer 5G enabled Gebärdensprachen-Applikation ( – )
      participations in other joint project: MWIKE NRW - Förderwettbewerb 5G.NRW | Förderkennzeichen: FKZ 005-2018-0104; 005-2108-0102; PtJ-Nr. 2008gif042e; 2108gif042c
    • Augmented and Virtual Reality in der medizinischen Ausbildung ( – )
      Gefördertes Einzelprojekt: Institut für Ausbildung und Studienangelegenheiten der Medizinischen Fakultät
    • SMARTPRINT – KMU-innovativ Verbundprojekt: Entwicklung eines Intelligenten 3D Druckers (SMARTPRINT); Teilprojekt: Erforschung und Entwicklung der Kl-Algorithmen ( – )
      Gefördertes Einzelprojekt: Bundesministerium für Bildung und Forschung | Förderkennzeichen: 02P19K121
    • QuBe – QuBe (Tools for Quantitative Behaviour) - Investitionen in Wachstum und Beschäftigung ( – )
      Gefördertes Einzelprojekt: MWIKE NRW - EFRE/JTF-Programm - EFRE Start-up Transfer.NRW - START-UP-Hochschul-Ausgründungen NRW | Förderkennzeichen: EFRE-0400299
    • Reproduction – from Genes to Molecules and Function ( – )
      Durch die Universität Münster intern gefördertes Projekt: Universität Münster-interne Förderung - Topical Programs
    • Das Individuum im Fokus der Lebenswissenschaften ( – )
      Durch die Universität Münster intern gefördertes Projekt: Universität Münster-interne Förderung - Topical Programs
    • EIMD – EMID - Electron Microscopy Imaging in the Dark - Entwicklung der Nachbelichtungsfunktionalität des EMID Verfahrens ( – )
      participations in other joint project: BMWK - Zentrales Innovationsprogramm Mittelstand | Förderkennzeichen: ZF4649501TS8
    • Artificial Intelligence for Additive Manufacturing ( – )
      Gefördertes Einzelprojekt: tapdo technologies GmbH
    • Entwicklung eines Verfahrens zur automatischen Erstellung von Reitsportaufnahmen ( – )
      Gefördertes Einzelprojekt: LV digital GmbH
    • Entwicklung eines Verfahrens zur Bildverbesserung von biomedizinischen Bilddaten wie Elektronen Miktoskopie ( – )
      Gefördertes Einzelprojekt: EMSIS GmbH
    • EXC 1003 PP-2017-10 The hatching box: Automated monitoring of the circadian clock during metamorphosis of the fly ( – )
      Teilprojekt in DFG-Verbund koordiniert an der Universität Münster: DFG - Exzellenzcluster | Förderkennzeichen: PP-2017-10

  • Publikationen

    • , , , , , und . . „Gated recurrent units for modelling time series of soil temperature and moisture: An assessment of performance and process reflectivity.“ Environmental Modelling and Software, Nr. 183: 106245–106245. doi: 10.1016/j.envsoft.2024.106245.
    • , , und . . „Building UniGPT: A Customizable On-Premise LLM-Solution for Universities.“ In Proceedings of EUNIS 2024 annual congress in Athens, EPiC Series in Computing, herausgegeben von R Vogl, L Desnos, J Desnos, S Bolis, L Merakos, G Ferrell, E Tsili und M Roumeliotis. Bramhall: EasyChair. doi: 10.29007/jv1l.
    • , , , , , und . . „pyAKI—An open source solution to automated acute kidney injury classification.“ PloS one, Nr. 20 (1) e0315325.
    • , , , , und . . „Learning Proposal Distributions in Simulated Annealing via Template Networks: A Case Study in Nanophotonic Inverse Design.“ In Pattern Recognition, Bd. 27 aus 27th International Conference ICPR 2024, herausgegeben von Apostolos Antonacopoulos, Subhasis Chaudhuri, Rama Chellappa, Cheng-Lin Liu, Saumik Bhattacharya und Umapada Pal. Heidelberg: Springer. doi: https://doi.org/10.1007/978-3-031-78186-5_13.
    • , , , , , , , , und . . „VR-based Competence Training at Scale: Teaching Clinical Skills in the Context of Virtual Brain Death Examination.“ Proceedings of the ACM on Human-Computer Interaction, Nr. 8 261. doi: 10.1145/3664635.
    • , , , , und . . „Accelerating Finite-Difference Frequency-Domain Simulations for Inverse Design Problems in Nanophotonics using Deep Learning.“ Journal of the Optical Society of America B, Nr. 41 (4): 1039–1046. doi: 10.1364/JOSAB.506159.
    • , , , , , , , und . . „Immersive learning in medical education: analyzing behavioral insights to shape the future of VR-based courses.“ BMC Medical Education, Nr. 2024 (24) 1413. doi: 10.1186/s12909-024-06337-7.
    • , , , , und . . „SAM meets Gaze: Passive Eye Tracking for Prompt-based Instance Segmentation.“ Proceedings of Machine Learning Research, Nr. 2023
    • , und . . „Solving the Plane-Sphere Ambiguity in Top-Down Structure-from-Motion.“ Beitrag präsentiert auf der IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), Waikoloa, Hawaii doi: 10.1109/WACV57701.2024.00345.
    • , , , , und . . „Towards a Dynamic Vision Sensor-based Insect Camera Trap.“ Beitrag präsentiert auf der Winter Conference on Applications of Computer Vision 2024, Waikoloa, Hawaii
    • , , , , , , , , , , und . . „pyAKI - An Open Source Solution to Automated KDIGO classification.“ https://arxiv.org doi: 10.48550/arXiv.2401.12930.
    • , , , , , , , , , , , , , , , , , , , , , , , , und . . „Human fertilization in vivo and in vitro requires the CatSper channel to initiate sperm hyperactivation.“ Journal of Clinical Investigation, Nr. 134 (1) doi: 10.1172/JCI173564.
    • , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , und . . „A Systematic Evaluation of Machine Learning--Based Biomarkers for Major Depressive Disorder.“ JAMA Psychiatry, Nr. 81 (4): 386–395. doi: 10.1001/jamapsychiatry.2023.5083.
    • , , , , , , , und . . „Therapy-induced modulation of tumor vasculature and oxygenation in a murine glioblastoma model quantified by deep learning-based feature extraction.“ Scientific Reports, Nr. 14 (1): 2034–2034. doi: 10.1038/s41598-024-52268-0.
    • , , , , , , , , , , und . „deepbet: Fast brain extraction of T1-weighted MRI using Convolutional Neural Networks.“ Computers in Biology and Medicine, Nr. 179 doi: 10.1016/j.compbiomed.2024.108845.
    • , , , , , und . . „Towards Estimation of 3D Poses and Shapes of Animals from Oblique Drone Imagery.“ Beitrag präsentiert auf der ISPRS Technical Commission II Symposium 2024, Las Vegas
    • , , , , und . . „Compensation to visual impairments and behavioral plasticity in navigating ants.“ Proceedings of the National Academy of Sciences of the United States of America, Nr. 121 (48): e2410908121. doi: 10.1073/pnas.2410908121.
    • , , , , , , , , , , , , und . . „Probabilistic photonic computing with chaotic light.“ Nature Communications, Nr. 15 (1): 10445–10445. doi: 10.1038/s41467-024-54931-6.
    • , , , , , , , , , , , , , , und . . „Deep learning predicts therapy-relevant genetics in acute myeloid leukemia from Pappenheim-stained bone marrow smears.“ Blood Advances, Nr. 8 (1): 70–79. doi: 10.1182/bloodadvances.2023011076.
    • , , , , , , , und . . „Virtual Reality based teaching – a paradigm shift in education?“ präsentiert auf der 73. Jahrestagung Deutsche Gesellschaft für Neurochirurgie, Köln doi: 10.3205/22DGNC538.
    • , , , , , , und . . „Integration of VR into Medical Education (Workshop).“ In Würtual Reality, herausgegeben von 2023 University of Würzburg, Department of Psychology I (Marcusstr. 9-11, 97070 Würzburg). N/A: Selbstverlag / Eigenverlag. doi: 10.25972/OPUS-31720.
    • , , , , , und . . „Trail using ants follow idiosyncratic routes in complex landscapes.“ Learning and Behavior, Nr. s13420-023-00615 doi: 10.3758/s13420-023-00615-y.
    • , , , , , , und . . „Hirntoddiagnostik in Virtual Reality – was denken Studierende darüber?“ präsentiert auf der Jahrestagung der Gesellschaft für Medizinische Ausbildung (GMA) 2023, Osnabrück doi: 10.3205/23GMA227.
    • , , , , , , und . . „Zusammenhang von Persönlichkeitsvariablen und Leistung in der virtuellen medizinischen Ausbildung.“ präsentiert auf der Jahrestagung der Gesellschaft für medizinische Ausbildung (GMA) 2023, Osnabrück doi: 10.3205/23GMA273.
    • , , , und . . „EyeGuide - From Gaze Data to Instance Segmentation.“ Beitrag präsentiert auf der The British Machine Vision Conference (BMVC), Aberdeen
    • , , , , , und . . „Adaptive Photo-Chemical Nonlinearities for Optical Neural Networks.“ Advanced Intelligent Systems, Nr. ‎ 5 (12) 2300229. doi: 10.1002/aisy.202300229 .
    • , , und . . „Tracking Tiny Insects in Cluttered Natural Environments using Refinable Recurrent Neural Networks.“ Beitrag präsentiert auf der IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), Waikoloa, Hawaii doi: 10.1109/WACV57701.2024.00697.
    • , , , , , , , , , , , und . . „Event-driven adaptive optical neural network.“ Science advances, Nr. 9 (42): eadi9127. doi: 10.1126/sciadv.adi9127.
    • , , , , , und . . „Activation Functions in Non-Negative Neural Networks.“ präsentiert auf der Machine Learning and the Physical Sciences Workshop, NeurIPS, New Orleans
    • , , , und . . „Diffusion Models in Dermatological Education: Flexible High Quality Image Generation for VR-based Clinical Simulations.“ präsentiert auf der NeurIPS'23 Workshop: Generative AI for Education (GAIED), New Orleans, Louisiana
    • , , , , , , , , , , , , , , , und . . „Sustainable research software for high-quality computational research in the Earth System Sciences: Recommendations for universities, funders and the scientific community in Germany.“ FIG GEO-LEO e-docs doi: 10.23689/fidgeo-5805.
    • , , , , , und . . „Adaptive Photochemical Nonlinearities for Optical Neural Networks.“ Advanced Intelligent Systems, Nr. 5 (12) doi: 10.1002/aisy.202300229.
    • , , , , und . . „Combinatorial Optimization via Memory Metropolis: Template Networks for Proposal Distributions in Simulated Annealing applied to Nanophotonic Inverse Design.“ präsentiert auf der Neural Information Processing Systems (NeurIPS) Workshop on AI for Accelerated Materials Design (AI4Mat-2023), New Orleans
    • , , , , , und . . „Immersive training of clinical decision making with AI driven virtual patients-a new VR platform called medical tr.AI.ning.“ GMS Journal for Medical Education, Nr. 40 (2) doi: 10.3205/zma001600.
    • , , , , und . . „Inverse Design of Nanophotonic Devices using Dynamic Binarization.“ Optics Express, Nr. 31 (10): 15747–15756. doi: 10.1364/OE.484484.
    • , , , , , , und . . „Coherent dimension reduction with integrated photonic circuits exploiting tailored disorder.“ Journal of the Optical Society of America B, Nr. 40 (3): B35–B40.
    • , , , , , und . . „CATER: Combined Animal Tracking & Environment Reconstruction.“ Science advances, Nr. 9 (16): eadg2094–eadg2094.
    • , , , , , , , , , , und . . „An overview and a roadmap for artificial intelligence in hematology and oncology.“ Journal of Cancer Research and Clinical Oncology, Nr. 15: 1–10.
    • , , , , und . . „A Universal Approach to Nanophotonic Inverse Design through Reinforcement Learning.“ In CLEO 2023, paper STh4G.3, herausgegeben von Optica Publishing Group. Washington, DC: Optica. doi: 10.1364/CLEO_SI.2023.STh4G.3.
    • , , , , und . . „A Novel Approach to Nanophotonic Black-Box Optimization Through Reinforcement Learning.“ In Q 30 Nano-optics, herausgegeben von DPG. Bad Honnef: Deutsche Physikalische Gesellschaft.
    • , , , , , , , , , , , und . . „Volumetric imaging reveals VEGF-C-dependent formation of hepatic lymph vessels in mice.“ Frontiers in cell and developmental biology, Nr. 10: 949896–949896. doi: 10.3389/fcell.2022.949896.
    • , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , und . . „An Uncertainty-Aware, Shareable and Transparent Neural Network Architecture for Brain-Age Modeling.“ Science advances, Nr. 8 (1): eabg9471–eabg9471. doi: 10.1126/sciadv.abg9471.
    • , , , , , , , , , , , , , , , , , und . . „Perspectives in machine learning for wildlife conservation.“ Nature Communications, Nr. 13 (1): 792–807. doi: 10.1038/s41467-022-27980-y.
    • , , , , , und . . „Towards VR Simulation-Based Training in Brain Death Determination.“ In 2022 IEEE Conference on Virtual Reality and 3D User Interfaces Abstracts and Workshops (VRW), herausgegeben von IEEE. New York City: Wiley-IEEE Press.
    • , und . . „Narrowing Attention in Capsule Networks.“ In 26th International Conference on Pattern Recognition, herausgegeben von IEEE. New York City: Wiley-IEEE Press.
    • , , , , , , und . . „Cell Selection-based Data Reduction Pipeline for Whole Slide Image Analysis of Acute Myeloid Leukemia.“ In The IEEE / CVF Computer Vision and Pattern Recognition Conference (CVPR), In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, herausgegeben von IEEE/CVF. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. doi: 10.1109/CVPRW56347.2022.00199.
    • , , , , und . . „Development of a nanophotonic nonlinear unit for optical artificial neural networks.“ präsentiert auf der DPG Springmeeting 2022, Erlangen
    • , , , , und . . „Inverse Design of Nanophotonic Devices based on Reinforcement Learning.“ In Q 38 Photonics II, herausgegeben von DPG. Bad Honnef: Deutsche Physikalische Gesellschaft.
    • , , , und . . „Resolving colliding larvae by fitting ASM to random walker-based pre-segmentations.“ IEEE/ACM Transactions on Computational Biology and Bioinformatics, Nr. 18 (3): 1184–1194.
    • , und . . „Touch Recognition on Complex 3D Printed Surfaces using Filter Response Analysis.“ In IEEE Conference on Virtual Reality and 3D User Interfaces Abstracts and Workshops (VRW), herausgegeben von IEEE. New York City: Wiley-IEEE Computer Society Press. doi: 10.1109/VRW52623.2021.00043.
    • , und . . „The Impact of Activation Sparsity on Overfitting in Convolutional Neural Networks.“ In The Impact of Activation Sparsity on Overfitting in Convolutional Neural Networks Basel: Springer International Publishing.
    • , und . . „Embedded Dense Camera Trajectories in Multi-Video Image Mosaics by Geodesic Interpolation-based Reintegration.“ Beitrag präsentiert auf der Winter Conference on Applications of Computer Vision, Waikoloa, Hawaii
    • , , , , und . . „Towards Visual Insect Camera Traps.“ Beitrag präsentiert auf der International Conference on Pattern Recognition (ICPR) Workshop on Visual observation and analysis of Vertebrate And Insect Behavior (VAIB), Milan
    • , , , , , , , , , , , , , , , , und . . „PHOTONAI-A Python API for rapid machine learning model development.“ PloS one, Nr. 16 doi: 10.1371/journal.pone.0254062.
    • , , , und . . Exploiting the Full Capacity of Deep Neural Networks while Avoiding Overfitting by Targeted Sparsity Regularization, arXiv e-print:2002.09237: CoRR.
    • , , , , , , , , , , und . . „PHOTON--A Python API for Rapid Machine Learning Model Development.“ arXiv preprint arXiv:2002.05426, Nr. 2020
    • , , , , , , , und . . „The Drosophila NCAM homolog Fas2 signals independently of adhesion.“ Development, Nr. 147 (2) doi: 10.1242/dev.181479.
    • , , , und . . „Towards image-based animal tracking in natural environments using a freely moving camera.“ Journal of Neuroscience Methods, Nr. 330: 108455. doi: 10.1016/j.jneumeth.2019.108455.
    • , , , und . . „From skylight input to behavioural output: a computational model of the insect polarised light compass.“ PLoS Computational Biology, Nr. 15 (7): e1007123. doi: 10.1371/journal.pcbi.1007123.
    • , , , , , und . . „Automatic non-invasive heartbeat quantification of Drosophila pupae.“ Computers in Biology and Medicine, Nr. 93: 189–199.
    • , , , , , , , , , , , , , , und . . „The Sulfite Oxidase Shopper controls neuronal activity by regulating glutamate homeostasis in Drosophila ensheathing glia.“ Nature Communications, Nr. 9 (1): 3514.
    • , , , , , , , und . . „A Multi-Purpose Worm Tracker Based on FIM.“ bioRxiv
    • , , und . . „Possibilities, Constraints and Limitations of Image-based Animal Tracking in Natural Environments.“ Beitrag präsentiert auf der Measuring Behavior, Manchester, UK
    • , , , und . . „Software to convert terrestrial LiDAR scans of natural environments into photorealistic meshes.“ Environmental Modelling and Software, Nr. 99: 88–100. doi: 10.1016/j.envsoft.2017.09.018.
    • , , und . . „Deep distance transform to segment visually indistinguishable merged objects.“ Beitrag präsentiert auf der Proc. of 40th German Conference on Pattern Recognition (GCPR), Stuttgart
    • , , , und . . „The Ol1mpiad: Concordance of behavioural faculties of stage 1 and stage 3 Drosophila larvae.“ Journal of Experimental Biology, Nr. 220: 2452–2475. doi: 10.1242/jeb.156646.
    • , , , , und . . „FIMTrack: An open source tracking and locomotion analysis software for small animals.“ PLoS Computational Biology, Nr. 13 (5): e1005530. doi: 10.1371/journal.pcbi.1005530.
    • , , , , , und . . „A FIM-based long-term in-vial monitoring system for Drosophila larvae.“ IEEE Transactions on Biomedical Engineering, Nr. 64 (8): 1862–1874.
    • , , , und . . „Visual Tracking of Small Animals in Cluttered Natural Environments Using a Freely Moving Camera.“ In Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2017, herausgegeben von Computer Vision Foundation. New York City: Wiley-IEEE Computer Society Press. doi: 10.1109/ICCVW.2017.335.
    • , , , , , und . . „Interactions among Drosophila larvae before and during collision.“ Scientific Reports, Nr. 11 (6): 31564. doi: 10.1038/srep31564.
    • , , und . . „Tracking, Mapping and Reconstruction. Modelling the Visual Perception of Desert Ants.“ Beitrag präsentiert auf der Animal Movement International Symposium, Lund, Sweden
    • , , und . . „Habitat3D: Recreating the History of Visual Experience of Individual Insects.“ Beitrag präsentiert auf der International Congress of Neuroethology, Montevideo, Uruguay
    • , , , und . . „HabiTracks: Visual Tracking of Insects in Their Natural Habitat.“ Beitrag präsentiert auf der International Congress of Neuroethology, Montevideo, Uruguay
    • , , , , , und . . „FIM2c : A Multi-Colour, Multi-Purpose Imaging System to Manipulate and Analyse Animal Behaviour.“ IEEE Transactions on Biomedical Engineering, Nr. 64: 1–1.
    • , , , , und . „Quantifying subtle locomotion phenotypes of Drosophila larvae using internal structures based on FIM images.“ Computers in Biology and Medicine, Nr. 63 (null): 269–276. doi: 10.1016/j.compbiomed.2014.08.026.
    • , , , , und . . „Imaging Modalities for Semi-Translucent Animals and Their Impact on Quantitative Analysis.“ In VAIB Workshop, ICPR
    • , , , , und . „FIM imaging and FIMTrack: Two new tools allowing high-throughput and cost effective locomotion analysis.“ Journal of Visualized Experiments, Nr. 94
    • , , , , , , , , und . „The Drosophila FHOD1-like formin Knittrig acts through Rok to promote stress fiber formation and directed macrophage migration during the cellular immune response.“ Development, Nr. 141 (6): 1366–1380. doi: 10.1242/dev.101352.
    • , , und . . „Stereo and Motion Based 3D High Density Object Tracking.“ Image and Video Technology, Nr. 2014: 136–148. doi: 10.1007/978-3-642-53842-1_12.
    • , , , , und . . „FIM2C and the Analysis of Collision Behavior.“ Beitrag präsentiert auf der Flies, Worms and Robots: Combining Perspectives on Minibrains and Behavior Conference, Sant Feliu de Guixols, Spain
    • , , , , , , und . . „Biomedical Imaging: a Computer Vision Perspective.“ In Computer Analysis of Images and Patterns, herausgegeben von R.Wilson et al.: CAIP 2013. Düsseldorf: Springer VDI Verlag.
    • , , und . . „FIM: Frustrated Total Internal Reflection Based Imaging for Biomedical Applications.“ ERCIM News, Nr. 95 (Image Understanding): 11–12.
    • , , , , und . „Drosophila pupal macrophages - A versatile tool for combined ex vivo and in vivo imaging of actin dynamics at high resolution.“ European Journal of Cell Biology, Nr. 2013 doi: 10.1016/j.ejcb.2013.09.003.
    • , , , , , , und . „FIM, a novel FTIR-based imaging method for high throughput locomotion analysis.“ PloS one, Nr. 8 (1): e53963. doi: 10.1371/journal.pone.0053963.
    • , , , , , und . . „Comparison of two 3D tracking paradigms for freely flying insects.“ EURASIP J Image Video Process, Nr. 2013 (1): 57. doi: 10.1186/1687-5281-2013-57.
    • , , , , und . . „Tracking of Colliding Larvae.“ Beitrag präsentiert auf der Conference on Neurobiology of Drosophila, New York, USA
    • , , , , , und . . „Kinesin heavy chain function in Drosophila glial cells controls neuronal activity.“ Journal of Neuroscience, Nr. 32 (22): 7466–7476. doi: 10.1523/JNEUROSCI.0349-12.2012.
    • , , , und . . „3D Trajectory Estimation of Simulated Fruit Flies.“ In Proc 27th IVCNZ, Dunedin, Nr. 2012
    • , , , und . . „FIM: FTIR Based Image Acquisition and Tracking.“ Beitrag präsentiert auf der Conference on Behavioral Neurogenetics of Drosophila Larva (Maggot Meeting), Ashburn, USA