V. Belagiannis and W. Kellermann in Stanford University’s World’s Top 2% Scientists

Die „World’s Top 2% Scientists“-Liste der Stanford University ist ein prestigeträchtiges Ranking der obersten 2 % der meistzitierten Wissenschaftler weltweit in allen Disziplinen. Sie wird jährlich in Zusammenarbeit mit Elsevier veröffentlicht und basiert auf Daten von Scopus. Die neueste Ausgabe wurde im August 2025 veröffentlicht.

Wir freuen uns sehr bekannt zu geben, dass Prof. Dr. Vasileios Belagiannis und Prof. Dr.-Ing. Walter Kellermann von unserem Lehrstuhl in dieses renommierte Ranking aufgenommen wurden.

Herzlichen Glückwunsch an beide!

Diese Anerkennung ist ein Beleg für das Engagement unserer Gruppe, Spitzenforschung zu betreiben, die die Grenzen des maschinellen Lernens und der Signalverarbeitung erweitert. Unser Fokus auf grundlegende Herausforderungen und innovative Lösungen spiegelt sich in unseren jüngsten Veröffentlichungen wider. Nachfolgend finden Sie eine Auswahl unserer neuesten Arbeiten, die unser Engagement für akademische Exzellenz unterstreichen:

  1. „Uncertainty-Aware Likelihood Ratio Estimation for Pixel-Wise Out-of-Distribution Detection“
    Autoren: Marc Hölle, Walter Kellermann, Vasileios Belagiannis
    Diese Arbeit stellt eine Methode für semantische Segmentierungsmodelle vor, um unbekannte Objekte in komplexen Szenen, wie beim autonomen Fahren, besser zu identifizieren, indem Unsicherheit explizit berücksichtigt wird.
  2. „Revisiting Gradient-Based Uncertainty for Monocular Depth Estimation“
    Autoren: Julia Hornauer, Amir El-Ghoussani, Vasileios Belagiannis
    Dieses Paper präsentiert eine einfache und effektive Post-hoc-Methode zur Bewertung der pixelweisen Unsicherheit in Tiefenschätzungsmodellen, was für sicherheitskritische Anwendungen entscheidend ist.
  3. „Diffusion Model Guided Sampling with Pixel-Wise Aleatoric Uncertainty Estimation„

    4. Autoren: Michele De Vita, Vasileios Belagiannis
    Diese Forschung adressiert eine wesentliche Einschränkung in der generativen Modellierung und schlägt einen Weg vor, die pixelweise Unsicherheit während des Bilderzeugungsprozesses von Diffusionsmodellen zu quantifizieren, um die Qualität der generierten Muster (Samples) zu verbessern.

  4. „Dextr: Zero-Shot Neural Architecture Search with Singular Value Decomposition and Extrinsic Curvature“
    Autoren: Rohan Asthana, Joschua Conrad, Maurits Ortmanns, Vasileios Belagiannis
    Diese Veröffentlichung stellt einen neuartigen und effizienten Zero-Cost-Proxy für die neuronale Architektursuche (NAS) vor, der die Notwendigkeit von gelabelten Daten eliminiert, indem er Eigenschaften von Merkmalen der Netzwerkschichten und der extrinsischen Krümmung nutzt.

Quelle:

1. https://top2percentscientists.com
2. https://elsevier.digitalcommonsdata.com/datasets/btchxktzyw/7