Lightning Talks II

Overview: <ul> <li> DeepVGI <strong>(Martin Raifer)</strong></li> <li>Einsatz von Lowcost-Lidarsystemen für die OSM-Landvermessung <strong>(Kolossos)</strong> </li> <li>Unkonventionelle Karten mit g2jascii <strong>(Hans Jörg Stark)</strong></li> </ul>

<b>DeepVGI – Ein Deep Learning Framework zur Detektion von Gebäuden und Strassen auf Basis von Fernerkundungsbildern, OpenStreetMap und MapSwipe Daten.</b> In jüngster Zeit werden zunehmend maschinelle Lernmethoden - insbesondere Deep Artifical Neural Networks (ANNs) zur automatischen Objektdetektion mit Fernerkundungsbildern untersucht und u.a. angewende Details: t, um Gebäude, Straßennetze usw. zu finden. Um ein genaues Vorhersagemodell für eine Zieldomäne, d.h. ein konkretes Gebiet, zu erlernen beruhen diese Verfahren gewöhnlich auf einer großen Menge markierter Bilder. Gerade in ländlichen oder unentwickelten Orte gibt es normalerweise keine existierenden markierten Bildsätze. In aktuellen Arbeiten am HeiGIT (Heidelberg Institut for Geoinformation Technology) extrahieren wir Trainingsmarken (d. H. Supervisionswissen) aus OSM und integrieren zusätzlich VGI von der humanitären Anwendung MapSwipe, sowie einige manuell gelabelte Trainingsdaten, um so die gesamte Zieldomäne mit einer höheren Vorhersagegenauigkeit abzudecken. Zu diesem Zweck wird ein Deep Learning Framework namens AT-CNN vorgeschlagen, bei dem die von Deep Convolutional Neural Networ