Biographie

Khurram Azeem Hashmi ist Doktorand im dritten Jahr an der Universität Kaiserslautern-Landau (RPTU) und arbeitet als Forscher am Deutschen Forschungsinstitut für Künstliche Intelligenz (DFKI).

Er erforscht derzeit neuartige Methoden zur Verbesserung der Objekterkennung in Videos und unter schwierigen Umgebungsbedingungen, wie z.B. rauen Wetterverhältnissen. Da die Objekterkennung eines der grundlegenden Probleme des Computersehens ist, glaubt er, dass die Verbesserung von Objekterkennungsmethoden verschiedene nachgelagerte Aufgaben des Computersehens erleichtern wird, wie z.B. Bild-/Videobeschriftung, Objektverfolgung und Szenen-/Videoanalyse unter komplexen Bedingungen.

Er hat seinen Master in Informatik an der RPTU gemacht. Zu seinen weiteren Forschungsinteressen gehören selbstüberwachtes Repräsentationslernen für Bilder und Videos, dichte Vorhersageaufgaben und Dokumentenbildanalyse. Innerhalb einer kurzen Forschungszeit von 2,5 Jahren erreichte er einen h-Index von 8 und hat 17 Veröffentlichungen in renommierten Forschungseinrichtungen wie BMVC, WACV, Journal of Imaging, IEEE Access und Sensors. Neben seiner Tätigkeit als Gutachter für wichtige Konferenzen im Bereich Computer Vision, wie ECCV und BMVC, begutachtet er aktiv Zeitschriftenartikel von IEEE Access, Springer Nature und Neurocomputing. 
Außerdem ist er Co-Tutor der Master-Vorlesung über Deep Learning am RPTU. Darüber hinaus konzentriert sich seine aktuelle Arbeit am DFKI auf die Entwicklung eines energieeffizienten autonomen Navigationssystems für Montageroboter, das sich frei bewegen und Kollisionen vermeiden kann.

___

English:

Khurram Azeem Hashmi is a third-year PhD student at the University of Kaiserslautern-Landau (RPTU) and works as a researcher at the German Research Institute for Artificial Intelligence (DFKI).

He is currently researching novel methods to improve object recognition in videos and under difficult environmental conditions, such as harsh weather conditions. Since object recognition is one of the fundamental problems of computer vision, he believes that improving object recognition methods will facilitate various downstream tasks of computer vision, such as image/video annotation, object tracking and scene/video analysis under complex conditions.

He did his master's degree in computer science at RPTU. His other research interests include self-supervised representation learning for images and videos, dense prediction tasks and document image analysis. Within a short research period of 2.5 years, he achieved an h-index of 8 and has 17 publications in reputed research outlets such as BMVC, WACV, Journal of Imaging, IEEE Access and Sensors. In addition to being a reviewer for major computer vision conferences such as ECCV and BMVC, he actively reviews journal articles from IEEE Access, Springer Nature and Neurocomputing. 
He is also a co-tutor of the Master's lecture on Deep Learning at RPTU. Furthermore, his current work at DFKI focuses on the development of an energy-efficient autonomous navigation system for assembly robots that can move freely and avoid collisions.

Fragestellungen im Themenfeld Künstliche Intelligenz

Derzeit arbeitet er an einem energieeffizienten autonomen Navigationssystem für Montageroboter mit besonderem Schwerpunkt auf der Objekterkennung in multimodalen Videoströmen, die in schwierigen Umgebungen, wie z. B. bei rauen Wetterbedingungen, aufgenommen wurden.

___

English:

He is currently working on an energy-efficient autonomous navigation system for assembly robots, with a particular focus on object recognition in multimodal video streams captured in challenging environments such as harsh weather conditions.