• Jump to content
  • Jump to navigation
  • Jump to bottom of page
Simulate organization breadcrumb open Simulate organization breadcrumb close
Pattern Recognition Lab
  • FAUTo the central FAU website
  • Campo
  • UnivIS
  • Jobs
  • Map
  • Help

Pattern Recognition Lab

Navigation Navigation close
  • Overview
    • Contact
    • Directions
    Portal Overview
  • Team
    • Former PRL members
    Portal Team
  • Research
    • Research Groups
    • Research Projects
    • Pattern Recognition Blog
    • Beyond the Patterns
    • Publications
    • Research Demo Videos
    • Datasets
    • Competitions
    Portal Research
  • Teaching
    • Curriculum / Courses
    • Lecture Notes
    • Lecture Videos
    • Thesis / Projects
    • Free Machine and Deep Learning Resources
    • Free Medical Engineering Resources
    • LME Videos
    Portal Teaching
  • Lab
    • News
    • Ph.D. Gallery
    • Cooperations
    • Join the Pattern Recognition Lab
    Portal Lab
  1. Home
  2. Research
  3. Research Groups
  4. Other Projects
  5. Maschinelles Lernen und Datenanalyse für heterogene, artübergreifende Daten (X02)

Maschinelles Lernen und Datenanalyse für heterogene, artübergreifende Daten (X02)

In page navigation: Research
  • Beyond the Patterns
  • Competitions
  • Publications
  • Datasets

Maschinelles Lernen und Datenanalyse für heterogene, artübergreifende Daten (X02)

Maschinelles Lernen und Datenanalyse für heterogene, artübergreifende Daten (X02)

(Third Party Funds Group – Sub project)

Overall project: SFB 1540: Erforschung der Mechanik des Gehirns (EBM): Verständnis, Engineering und Nutzung mechanischer Eigenschaften und Signale in der Entwicklung, Physiologie und Pathologie des zentralen Nervensystems
Project leader: Katharina Breininger, Andreas Maier
Project members:
Start date: January 1, 2023
End date: December 31, 2026
Acronym: SFB 1540 X02
Funding source: DFG / Sonderforschungsbereich (SFB)
URL:

Abstract

X02 nutzt die in EBM erzeugten Bilddaten und mechanischen Messungen, um
Deep Learning-Methoden zu entwickeln, die Wissen über Spezies hinweg
transferieren. In silico und in vitro Analysen werden deutlich
spezifischere Daten liefern als in vivo Experimente, insbesondere für
menschliches Gewebe. Um hier Erkenntnisse aus datenreichen Experimenten
zu nutzen, werden wir Transfer Learning-Algorithmen für heterogene Daten
entwickeln. So kann maschinelles Lernen auch unter stark
datenlimitierten Bedingungen nutzbar gemacht werden. Ziel ist es, ein
holistisches Verständnis von Bilddaten und mechanischen Messungen über
Artgrenzen hinweg zu ermöglichen.

Publications

Friedrich-Alexander-Universität
Erlangen-Nürnberg

Schlossplatz 4
91054 Erlangen
  • Login
  • Intranet
  • Imprint
  • Privacy
  • Accessibility
Up