{"id":22915,"date":"2023-04-14T09:25:07","date_gmt":"2023-04-14T07:25:07","guid":{"rendered":"https:\/\/info.gwdg.de\/news\/?p=22915"},"modified":"2023-04-21T10:23:42","modified_gmt":"2023-04-21T08:23:42","slug":"workshop-hackathon-neural-networks-for-remote-sensing-data-classification","status":"publish","type":"post","link":"https:\/\/info.gwdg.de\/news\/workshop-hackathon-neural-networks-for-remote-sensing-data-classification\/","title":{"rendered":"Workshop + Hackathon: Neuronale Netze f\u00fcr die Klassifizierung von Fernerkundungsdaten"},"content":{"rendered":"<p><a href=\"https:\/\/future-forest.eu\/workshop-hackathon\/\" class=\"external\" rel=\"nofollow\">Melden Sie sich unten<\/a> f\u00fcr den Start unseres <strong>Hackathons am 5. Mai<\/strong> und den <strong>Expertenworkshop am 27. und 28. Juli in Berlin<\/strong> an.<strong><br \/>\n<\/strong><\/p>\n<p>https:\/\/future-forest.eu\/workshop-hackathon\/<\/p>\n<p><em>Dieser Workshop wird teilweise vom <a href=\"https:\/\/hpc-neu.gwdg.de\/community-pages\/nhr-intro\/\" class=\"external\" rel=\"nofollow\">NHR<\/a> finanziert und von <a href=\"https:\/\/hps.vi4io.org\/research\/projects\/forestcare\/start\" class=\"external\" rel=\"nofollow\">ForestCARE<\/a> unterst\u00fctzt.<br \/>\n<\/em><\/p>\n<p><a href=\"https:\/\/info.gwdg.de\/news\/wp-content\/uploads\/2023\/04\/NHR-Go\u0308ttingen-Logo_neu.png\" class=\"external\" rel=\"nofollow\"><img loading=\"lazy\" decoding=\"async\" class=\"alignnone wp-image-22917\" src=\"https:\/\/info.gwdg.de\/news\/wp-content\/uploads\/2023\/04\/NHR-Go\u0308ttingen-Logo_neu.png\" alt=\"\" width=\"599\" height=\"103\" \/><\/a><\/p>\n<h3 class=\"wp-block-heading\"><strong>Experten-Workshop: Neuronale Netze zur Klassifizierung von Fernerkundungsdaten<\/strong><\/h3>\n<p>Tauschen Sie sich mit anderen Fernerkundungsexperten und Informatikern bei unserem 2-t\u00e4gigen Workshop in Berlin aus.<\/p>\n<p>Genie\u00dfen Sie die Vortr\u00e4ge von Forscherkollegen:<\/p>\n<p><a href=\"https:\/\/www.user.tu-berlin.de\/gencersumbul\/\" target=\"_blank\" rel=\"noreferrer noopener nofollow\" class=\"external\">Gencer S\u00fcmb\u00fcl<\/a> (TUB, to be confirmed)<br \/>\nDie meisten auf Deep Learning (DL) basierenden Methoden des Repr\u00e4sentationslernens (IRL) erfordern die Verf\u00fcgbarkeit einer Reihe von qualitativ und quantitativ hochwertigen kommentierten Trainingsbildern aus der Fernerkundung (RS), deren Erfassung zeitaufw\u00e4ndig, komplex und kostspielig sein kann. Um die Kosten f\u00fcr die Beschriftung zu senken, k\u00f6nnen \u00f6ffentlich verf\u00fcgbare thematische Karten, automatische Beschriftungsverfahren oder Daten aus der Bev\u00f6lkerung verwendet werden. Bei solchen Ans\u00e4tzen besteht jedoch die Gefahr, dass das Rauschen der Kennzeichnung in die Trainingsdaten einflie\u00dft. Dies kann zu einer \u00dcberanpassung, suboptimalen Lernverfahren und somit zu einer ungenauen Charakterisierung von RS-Bildern f\u00fchren. In diesem Vortrag wird zun\u00e4chst ein allgemeiner \u00dcberblick \u00fcber wissenschaftliche Probleme im Zusammenhang mit DL-basiertem IRL unter verrauschten Bezeichnungen diskutiert. Anschlie\u00dfend werden unsere j\u00fcngsten 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 unabh\u00e4ngig von der Art der Annotation, dem Etikettenrauschen, der Architektur des neuronalen Netzes, der Verlustfunktion oder der Lernaufgabe robust gegen\u00fcber Etikettenrauschen sind.<\/p>\n<p><a href=\"https:\/\/be.linkedin.com\/in\/margot-verhulst-6a715a188\" target=\"_blank\" rel=\"noreferrer noopener nofollow\" class=\"external\">Margot Verhulst<\/a> (KUL)<br \/>\nMargots Arbeit konzentriert sich auf die Wald\u00fcberwachung 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 \u00dcbertragbarkeit der Modelle zwischen verschiedenen Jahren zu untersuchen. Dazu geh\u00f6ren die Klassifizierung der vorherrschenden Baumarten auf Parzellenebene sowie die Vorhersage des Anteils der Blattarten (Nadelb\u00e4ume\/Bl\u00e4tter) und des Anteils der Baumarten. Als Einf\u00fchrung in den Experten-Workshop am 27. Juli k\u00f6nnen 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.<\/p>\n<p><a href=\"https:\/\/edfm.wzw.tum.de\/team\/reuss.html\" target=\"_blank\" rel=\"noreferrer noopener nofollow\" class=\"external\">Michael Reuss<\/a> (TUM)<br \/>\nW\u00e4hrend seines Masterstudiums entwickelte Michael ein Deep Neural Network zur Erkennung von St\u00f6rungen in W\u00e4ldern anhand von Satellitenbild-Zeitreihen. Er skalierte seine Methode f\u00fcr die landesweite Vermessung mit einer gro\u00dfen Serie von LandSat-Daten und wird seine Erkenntnisse dar\u00fcber teilen, wie man die Effizienz von gro\u00dfen Daten maximieren kann.<\/p>\n<p><a href=\"https:\/\/www.researchgate.net\/profile\/Selina-Schwarz\" target=\"_blank\" rel=\"noreferrer noopener nofollow\" class=\"external\">Selina Schwarz<\/a> (KIT)<br \/>\nWir diskutieren die Ergebnisse des Hackathons und bieten Ihnen die M\u00f6glichkeit, in unserem Coworking-Space in entspannter Atmosph\u00e4re Ihre spezifischen Herausforderungen und Codest\u00fccke zu besprechen.f\u00fcr den Experten-Workshop im Juli gibt es noch begrenzte Pl\u00e4tze.<\/p>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Melden Sie sich unten f\u00fcr den Start unseres Hackathons am 5. Mai und den Expertenworkshop am 27. und 28. Juli in Berlin an. https:\/\/future-forest.eu\/workshop-hackathon\/ Dieser Workshop wird teilweise vom NHR finanziert und von ForestCARE unterst\u00fctzt. Experten-Workshop: Neuronale Netze zur Klassifizierung von Fernerkundungsdaten Tauschen Sie sich mit anderen Fernerkundungsexperten und Informatikern bei unserem 2-t\u00e4gigen Workshop in &#8230; <a title=\"Workshop + Hackathon: Neuronale Netze f\u00fcr die Klassifizierung von Fernerkundungsdaten\" class=\"read-more\" href=\"https:\/\/info.gwdg.de\/news\/workshop-hackathon-neural-networks-for-remote-sensing-data-classification\/\" aria-label=\"Mehr Informationen \u00fcber Workshop + Hackathon: Neuronale Netze f\u00fcr die Klassifizierung von Fernerkundungsdaten\">Weiterlesen<\/a><\/p>\n","protected":false},"author":166,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1,132,129],"tags":[122],"class_list":["post-22915","post","type-post","status-publish","format-standard","hentry","category-alle","category-forstwirtschaften","category-wissenschaftliche-domaenen","tag-forestry"],"_links":{"self":[{"href":"https:\/\/info.gwdg.de\/news\/wp-json\/wp\/v2\/posts\/22915","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/info.gwdg.de\/news\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/info.gwdg.de\/news\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/info.gwdg.de\/news\/wp-json\/wp\/v2\/users\/166"}],"replies":[{"embeddable":true,"href":"https:\/\/info.gwdg.de\/news\/wp-json\/wp\/v2\/comments?post=22915"}],"version-history":[{"count":10,"href":"https:\/\/info.gwdg.de\/news\/wp-json\/wp\/v2\/posts\/22915\/revisions"}],"predecessor-version":[{"id":22959,"href":"https:\/\/info.gwdg.de\/news\/wp-json\/wp\/v2\/posts\/22915\/revisions\/22959"}],"wp:attachment":[{"href":"https:\/\/info.gwdg.de\/news\/wp-json\/wp\/v2\/media?parent=22915"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/info.gwdg.de\/news\/wp-json\/wp\/v2\/categories?post=22915"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/info.gwdg.de\/news\/wp-json\/wp\/v2\/tags?post=22915"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}