Dr. rer. nat. Marco Körner

Marco Körner wurde 1984 in Salzwedel geboren. Nach seinem Studium der Informatik an der Friedrich-Schiller-Universität Jena wurde er 2009 wissenschaftlicher Mitarbeiter am dortigen Lehrstuhl für Digitale Bildverarbeitung, wo er in verschiedene Forschungsprojekte und Lehrprogramme eingebunden war. Während dieser Zeit fertigte er unter der Betreuung von Prof. Dr.-Ing. Joachim Denzler seine Disseration mit dem Titel "Methods for Model-based and Model-free Recognition of Articulated Actions in Multi-View Environments" an und promovierte 2015 zum Dr. rer. nat.

Seit Februar 2015 ist er als akademischer Rat der stellvertretende Leiter des Lehrstuhls für Methodik der Fernerkundung und Leiter der Computer Vision Research Group. Dort beschäftigt sich seine Forschung hauptsächlich mit der Entwicklung und Anwendung von Methoden der digitalen Bildverarbeitung, Computer Vision und des maschinellen Lernens im Bereich der Erdbeobachtung und Fernerkundung

Aktuelles

Forschung

Interessen

  • Computer Vision Bildanalyse
  • digitale Bildverarbeitung
  • maschinelles Lernen

Projekte

Multi-task Learning

Viele Anwendungen wie die Interpretation von Straßenräumen für das autonome Fahren erfordern die Lösung verschiedener Aufgaben auf Grundlage digitaler Bilder. Die zu extrahierenden Informationen spiegeln dabei typischerweise verschiedene Aspekte identischer Objekte der physischen Welt wieder. Dieses Wissen um bestehende Korrelationen zwischen den Tasks kann ausgenutzt werden um die einzelnen Tasks effizienter und mit höherer Genauigkeit lösen zu können.

Monokulare Tiefenschätzung

Die Erstellung von Tiefenkarten ist essentiell für zahlreiche Anwendungen, wie z.B. autonomes Fahren oder Augmented Reality. Typischerweise werden diese aus Stereobild-Paaren oder mit Hilfe von aktiven Sensoren (wie z.B. LiDAR oder RGB-D Kameras) generiert. Angelehnt an die monokulare Tiefenwahrnehmung des Menschen, widmet sich dieses Projekt hingegen der Schätzung von Tiefenkarten aus Einzelbildern mittels künstlicher neuronaler Netze.

MAV 4 BIM

Dieses Projekt beschäftigt sich mit der Erstellung von vollständigen und hochauflösenden 3D Gebäudemodellen aus Bildsequenzen von Micro Aerial Vehicles (MAVs). Neben der Rekonstruktion und Georeferenzierung von 3D Gebäudeaußenmodellen, soll ebenfalls das Gebäudeinnere aus unabhängigen Innenflügen modelliert werden. Eine automatische Registrierung von Gebäudeinnen- und außenmodellen ermöglicht die Erstellung von LOD-4 Gebäudemodellen.

CNN-basierte großräumige Landnutzungs- und Landbedeckungsklassifizierung

In diesem Projekt sollen Methoden zur Landnutzungs- und Landbedeckungsklassifizierung mit Hilfe von Convolutional Neural Networks entwickelt werden. Trainingsdaten werden quasi-automatisch aus frei verfügbaren Geodaten (OpenStreetMap) und multispektralen Sentinel-2 Bildern gewonnen.

Prädiktion von Bildfolgen aus FAS-Videosequenzen durch implizite Modellierung von Aktivitätsmustern

Die Sicherheit von autonomen Fahrsystemen ist stark abhängig von einer vorausschauenden Fahrweise der autonomen Fahrzeuge. Ziel dieses Projekts ist es, die Fähigkeit des menschlichen Gehirns zukünftige Ereignisse zu prädizieren, nachzubilden. Mit Hilfe aktueller Methoden der Computer Vision und des maschinellen Lernens werden auf Grundlage von beobachteten Bildsequenzen zukünftige Bildfolgen eines Videos generiert, aus denen Vorhersagen zum Verkehrsgeschehen abgeleitet werden. Die vom System gelernten Merkmale werden zudem genutzt um Verkehrsumgebungen und Aktionsmuster von Verkehrsteilnehmern zu modellieren und analysieren.

Modellierung von Verkehrsinfrastrukturen

Die Modellierung von Verkehrsinfrastrukturen wird immer wichtiger, insbesondere seit autonome Fahrsysteme Teil der nahen Zukunft zu sein scheinen. Im Zuge dieses Projekts werden Algorithmen zur Prozessierung von Kameraaufnahmen aus Fahrzeugen entwickelt um alle verkehrsrelevanten Objekte, wie z.B. Verkehrsteilnehmer und Infrastrukturelemente, zu erfassen. Ergänzend zu den Informationen aus Bodenaufnahmen werden Luftbilder genutzt um Gruppenverhalten zu analysieren und das Verkehrsgeschehen vorherzusagen.

Zeitliche Vegetationsmodellierung mit Rekurrenten Netzen

Traditionelle Methoden zur Klassifizierung der Bodenbedeckung konzentrieren sich auf spektrale und texturelle Merkmale. Besonders Nutzpflanzen ändern dabei ihre spektrale Signatur über die Zeit auf eine charakteristische Art und Weise. Durch künstliche Long Short-Term Memory neurale Netze können diese multi-temporale Vegetationscharakteristiken gelernt und zur Klassifikation genutzt werden.

Publikationen

Teaching

Betreute Arbeiten

PhD theses

  • 3D Building Model Alignment from UAV Imagery (Tobias Koch)
  • Traffic Infrastructure Modeling (Sandra Aigner)
  • Video Frame Prediction from ADAS Imagery (Lukas Liebel)
  • Building Type Classification from Satellite Imagery (Ksenia Bittner)

Master theses

  • Deep Convolutional Neural Networks for Semantic Segmentation of Multispectral Sentinel-2 Satellite Imagery: An Open Data Approach to Large-Scale Land Use and Land Cover Classification (Lukas Liebel, M.Sc. Geodesy and Geoinformation)

Diploma theses

  • Data Association of Multi-Object Tracking in Multi-Camera Systems (Michael Bredereck, Diploma in Computer Sciences)

Bachelor theses

  • 3D Surface Reconstruction using Polarisation Cues (Lea Albrecht, B.Sc. Geodesy and Geoinformation)
  • Gesture Recognition from Real-Time Depth Data (Marcel Simon, B.Sc. Computer Sciences, FSU Jena)
  • Generic Object Detection in Multi-Camera Systems (Sebastian Krautwurst, B.Sc. Computer Sciences, FSU Jena)

Curriculum Vitæ

  • seit 2015: akademischer Rat an der TU München und stellvertretender Leuter des Lehrstuhls für Methodik der Fernerkundung
  • 2015: Dr. rer. nat.; Dissertation "Methods for Model-based and Model-free Recognition of Articulated Actions in Multi-View Environments"
  • 2014: Forschungsaufenthalt an der UC San Diego, USA
  • 2008–2014: wissenschaftlicher Mitarbeiter am Lehrstuhl für Digitale Bildverarbeitung, FSU Jena
  • 2012: Forschungsaufenthalt am CIC-IPN Mexico City und am CIMAT Guanajuato, Mexico
  • 2008: Dipl.-Inf.; Diplomarbeit "Methoden zur 3D-Kartierung des Fahrzeugumfeldes mittels Echtzeit-Tiefensensorik"
  • 2007: Studienarbeit "Merkmale in Echtzeit-Tiefendaten"
  • 2003–2008: Studium der Informatik mit Nebenfach Psychologie an der Friedrich-Schiller-Universität Jena
  • 2003: Abitur am Geschwister-Scholl-Gymnasium in Gardelegen