Stefan Oehmcke

Stefan Oehmcke

Adjunkt

Medlem af:

    ORCID: 0000-0002-0240-1559

    Udgivelsesår:
    Alle
    1 - 4 ud af 4Pr. side: 25
    Sortering: Udgivelsesår
    1. 2022
    2. Udgivet

      Ensemble Learning for Semantic Segmentation of Ancient Maya Architectures

      Hellweg, Thorben, Oehmcke, Stefan, Kariryaa, Ankit, Gieseke, Fabian Cristian & Igel, Christian, 2022, Discover the Mysteries of the Maya: Selected Contributions from the Machine Learning Challenge & the Discovery Challenge Workshop, ECML PKDD 2021. Kocev, D., Simidjievski, N., Kostovska, A., Dimitrovski, I. & Kokalj, Ž. (red.). Ljubljana: Jožef Stefan Institute , s. 13-19 7 s.

      Publikation: Bidrag til bog/antologi/rapport › Konferencebidrag i proceedings › Forskning › fagfællebedømt

    3. Udgivet

      Deep learning based 3D point cloud regression for estimating forest biomass

      Oehmcke, Stefan, Li, Lei, Caballer Revenga, Jaime, Nord-Larsen, Thomas, Trepekli, Aikaterini, Gieseke, F. & Igel, Christian, 1 nov. 2022, 30th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, ACM SIGSPATIAL GIS 2022. Renz, M., Sarwat, M., Nascimento, M. A., Shekhar, S. & Xie, X. (red.). Association for Computing Machinery, Inc., s. 1-4 38

      Publikation: Bidrag til bog/antologi/rapport › Konferencebidrag i proceedings › Forskning › fagfællebedømt

    4. Udgivet

      Input Selection for Bandwidth-Limited Neural Network Inference

      Oehmcke, Stefan & Gieseke, Fabian Cristian, 2022, Proceedings of the 2022 SIAM International Conference on Data Mining, SDM 2022. SIAM, s. 280-288 9 s.

      Publikation: Bidrag til bog/antologi/rapport › Konferencebidrag i proceedings › Forskning › fagfællebedømt

    5. Udgivet

      Above-Ground Biomass Prediction for Croplands at a Sub-Meter Resolution Using UAV–LiDAR and Machine Learning Methods

      Caballer Revenga, Jaime, Trepekli, Aikaterini, Oehmcke, Stefan, Jensen, Rasmus, Li, Lei, Igel, Christian, Gieseke, Fabian Cristian & Friborg, Thomas, 2022, I: Remote Sensing. 14, 16, 22 s., 3912.

      Publikation: Bidrag til tidsskrift › Tidsskriftartikel › Forskning › fagfællebedømt

    ID: 209373892