Prof. Dr. Daniel Cremers
Kontakt
Wissenschaftliche Laufbahn und Forschungsgebiete
Prof. Cremers forscht auf den Gebieten der mathematischen Bildverarbeitung und Mustererkennung. Ziel dieser Forschung ist es, Maschinen die Analyse und Interpretation von Bilddaten nahezubringen. Methodische Schwerpunkte seiner Forschung sind konvexe Optimierung, partielle Differentialgleichungen, graphentheoretische Algorithmen und statistische Inferenz. Prof. Cremers ist Mitherausgeber der Zeitschriften International Journal of Computer Vision, IEEE Trans. On Pattern Recognition and Machine Intelligence und SIAM Journal of Imaging Sciences.
Nach dem Studium der Physik und Mathematik an den Universitäten Heidelberg, Indiana State und Stony Brook promovierte Prof. Cremers 2002 in Informatik an der Universität Mannheim. Im Anschluss war er als Postdoctoral Researcher an der UCLA und ab 2004 als Member of Staff bei Siemens Corporate Research (Princeton) tätig. 2005 nahm er einen Ruf an die Universität Bonn an. Seit 2009 ist Prof. Cremers Ordinarius für Bildverarbeitung und Künstliche Intelligenz an der TUM.
Wichtigste Auszeichnungen
- Gottfried Wilhelm Leibniz-Preis der DFG (2016)
- European Research Council Consolidator Grant (2014)
- European Research Council Starting Grant (2009)
- UCLA Chancellor’s Award for Postdoctoral Research (2005)
- Olympuspreis der Deutschen Arbeitsgemeinschaft für Mustererkennung (2004)
Schlüsselpublikationen
Cremers D, Kolev K: “Multiview Stereo and Silhouette Consistency via Convex Functionals over Convex Domains”. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011; 33(6): 1161-1174.
AbstractPock T, Cremers D, Bischof H, Chambolle A: “Global Solutions of Variational Models with Convex Regularization”. SIAM Journal on Imaging Sciences. 2010; 3(4): 1122-1145.
AbstractSchoenemann T, Cremers D: “A Combinatorial Solution for Model-based Image Segmentation and Real-time Tracking”. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2010; 32(7): 1153-1164.
AbstractCremers D: “Dynamical statistical shape priors for level set based tracking”. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2006; 28(8): 1262-1273.
AbstractCremers D, Osher SJ, S. Soatto S: “Kernel density estimation and intrinsic alignment for shape priors in level set segmentation”. International Journal of Computer Vision. 2006; 69(3): 335-351.
Abstract