Workshop + Hackathon: Neuronale Netze für die Klassifizierung von Fernerkundungsdaten

Melden Sie sich unten für den Start unseres Hackathons am 5. Mai und den Expertenworkshop am 27. und 28. Juli in Berlin an.

Workshop + Hackathon: Neural Networks for remote sensing data classification

Dieser Workshop wird teilweise vom NHR finanziert und von ForestCARE unterstützt.

Experten-Workshop: Neuronale Netze zur Klassifizierung von Fernerkundungsdaten

Tauschen Sie sich mit anderen Fernerkundungsexperten und Informatikern bei unserem 2-tägigen Workshop in Berlin aus.

Genießen Sie die Vorträge von Forscherkollegen:

Gencer Sümbül (TUB, to be confirmed)
Die meisten auf Deep Learning (DL) basierenden Methoden des Repräsentationslernens (IRL) erfordern die Verfügbarkeit einer Reihe von qualitativ und quantitativ hochwertigen kommentierten Trainingsbildern aus der Fernerkundung (RS), deren Erfassung zeitaufwändig, komplex und kostspielig sein kann. Um die Kosten für die Beschriftung zu senken, können öffentlich verfügbare thematische Karten, automatische Beschriftungsverfahren oder Daten aus der Bevölkerung verwendet werden. Bei solchen Ansätzen besteht jedoch die Gefahr, dass das Rauschen der Kennzeichnung in die Trainingsdaten einfließt. Dies kann zu einer Überanpassung, suboptimalen Lernverfahren und somit zu einer ungenauen Charakterisierung von RS-Bildern führen. In diesem Vortrag wird zunächst ein allgemeiner Überblick über wissenschaftliche Probleme im Zusammenhang mit DL-basiertem IRL unter verrauschten Bezeichnungen diskutiert. Anschließend werden unsere jüngsten Untersuchungen vorgestellt, die sich mit diesen Problemen befassen. Besonderes Augenmerk wird dabei auf unseren generativen, schlussfolgernden integrierten IRL-Ansatz gelegt, der tiefe Merkmale von RS-Bildern erlernen kann, die unabhängig von der Art der Annotation, dem Etikettenrauschen, der Architektur des neuronalen Netzes, der Verlustfunktion oder der Lernaufgabe robust gegenüber Etikettenrauschen sind.

Margot Verhulst (KUL)
Margots Arbeit konzentriert sich auf die Waldüberwachung in Flandern (Belgien) durch die Kombination von Sentinel-2-Zeitreihen und Daten aus dem nationalen Waldinventar. Die trainierten Modelle behandeln die zeitliche Dimension der Daten auf unterschiedliche Weise und helfen, die Übertragbarkeit der Modelle zwischen verschiedenen Jahren zu untersuchen. Dazu gehören die Klassifizierung der vorherrschenden Baumarten auf Parzellenebene sowie die Vorhersage des Anteils der Blattarten (Nadelbäume/Blätter) und des Anteils der Baumarten. Als Einführung in den Experten-Workshop am 27. Juli können die Teilnehmer die Gelegenheit nutzen, sich aus erster Hand einen Eindruck von Deep Learning-Workflows und ihrer praktischen Anwendung im Kontext der Fernerkundung zu verschaffen.

Michael Reuss (TUM)
Während seines Masterstudiums entwickelte Michael ein Deep Neural Network zur Erkennung von Störungen in Wäldern anhand von Satellitenbild-Zeitreihen. Er skalierte seine Methode für die landesweite Vermessung mit einer großen Serie von LandSat-Daten und wird seine Erkenntnisse darüber teilen, wie man die Effizienz von großen Daten maximieren kann.

Selina Schwarz (KIT)
Wir diskutieren die Ergebnisse des Hackathons und bieten Ihnen die Möglichkeit, in unserem Coworking-Space in entspannter Atmosphäre Ihre spezifischen Herausforderungen und Codestücke zu besprechen.für den Experten-Workshop im Juli gibt es noch begrenzte Plätze.

 

Kategorien

Archive

--