Wie Maschinen lernen, 3D-Stadtmodelle zu erzeugen Aktuelle Entwicklungen und zukünftige Potentiale
|
|
- Adolf Bachmeier
- vor 6 Jahren
- Abrufe
Transkript
1 Wie Maschinen lernen, 3D-Stadtmodelle zu erzeugen Aktuelle Entwicklungen und zukünftige Potentiale Prof. Dr.-Ing. Martin Kada Institut für Geodäsie und Geoinformationstechnik
2 Das Berlin 3D Projekt Berlin Gebäude auf 857 km² Fläche Datengrundlage: Digitales Oberflächenmodell mit bis zu 4 Punkten / m² Grundrisse aus der ALK Ca Schrägluftaufnahmen zur Texturierung 9 Monate (2008 / 2009)
3 Modellbasierte 3D-Gebäuderekonstruktion 1. Definiere ein Modell, wie Gebäude geformt und konstruiert werden + 2. Extrahiere so viel Wissen aus den Datenquellen wie möglich 3. Passe die Modellbestandteile an die Daten an und konstruiere die 3D-Form
4 Modellbasierte 3D-Gebäuderekonstruktion Flexible Bibliothek gängiger (parametrisierbarer) Dachformen (Stochastische) Sprache für die Konstruktion komplexer Gebäudemodelle Halbautomatische Werkzeuge zur Korrektur und Konstruktion
5 Modellbasierte 3D-Gebäuderekonstruktion Hypothesen über die Dachform aufstellen aus 2D-Zerlegung der gegebenen Grundrisse homogenen Punktbereichen (gemäß lokaler Himmelsrichtungen) sowie Bruchkanten mittels robuster Methoden
6 Modellbasierte 3D-Gebäuderekonstruktion Passe die Dachprimitive an das gewonnene Wissen an Energieformulierung und Minimierung Beschränkung auf wenige Parameter Kombiniere und adjustiere Dachprimitive, um wohlgeformte Modelle zu erhalten
7 Das Berlin 3D Projekt
8 Das Berlin 3D Projekt Berlin 80% Automationsrate ca Gebäude manuell nachbearbeitet < 1s pro Gebäude ca. 6 Tage Prozessierungszeit 3,5 Mrd. 3D-Punkte 38 GB Daten
9 Das Berlin 3D Projekt Luftbildbefliegung von Berlin > 100 TB an Bilddaten 90 Mrd. 3D-Punkte
10 3D-Stadtmodelle Frankfurt am Main ( ) Weitere: Nürnberg ( ) Helsinki (80.000) Potsdam (43.000) Innsbruck (28.000) Freistaat Bayern ( ) Köln ( )
11 Datengetriebene 3D-Gebäuderekonstruktion 1. Extraktion von Gebäudepunkten 2. Segmentierung 3. Erzeugung von Berandungsflächen 5. Konstruktion des 3D-Modells 4. Merkmals- und Formerkennung
12 Graphen basierende Dachformerkennung Segmentierte 3D-Punktewolke Klassifizierte Schnittkanten Regionen Adjazenz Graph (RAG)
13 Graphen basierende Dachformerkennung
14 Graphen basierende Dachformerkennung Segmentierte 3D-Punktewolke Klassifizierte Schnittkanten Regionen Adjazenz Graph (RAG) Walmdach Satteldach Giebelgaube
15 Graphen basierende Dachformerkennung
16 Graphen basierende Dachformerkennung
17 Graphen basierende Dachformerkennung
18 Multiskaliger Wissensgraph
19 Multiskaliger Wissensgraph Multi-Scale Knowledge Graph Derivation Bottom-Up/Top-Down Phase Multiskaliger Wissensgraph Building Model GG Multi-Scale Knowledge Graph Graph Grammar (GG) Super-Primitives GG 8 9 Primitives GG 6 7 Primitive Components Planar Segments 1 Initialization Phase Roof Topology Graph (incl. geometrical, topological, and locational information) 2 GG 3 GG 4 5 RTG labeled with semantic information
20 Graphengrammatik Ersetze im multiskaligen Wissensgraph die linke Seite der Produktionsregel durch die rechte Seite, unter der Voraussetzung, dass die Vorbedingung erfüllt ist
21 Graphengrammatik Ersetze im multiskaligen Wissensgraph die linke Seite der Produktionsregel durch die rechte Seite, unter der Voraussetzung, dass die Vorbedingung und die Nachbedingung erfüllt sind
22 Graphengrammatik Satz von ca. 50 bis 100 Produktionsregeln Linke Seite, Vor- und Nachbedingungen definieren welche Regel und wann eine Regel angewendet wird Reihenfolge Kontext Bei mehreren Alternativen Wahrscheinlichkeiten Verstärkendes Lernen verändert die Wahrscheinlichkeiten von Regeln
23 Graphengrammatik Verstärkendes Lernen Umgebung Belohnung Zustand Action Agent
24 ISPRS Benchmark Vaihingen 1 Comp [%] Corr [%] CKU ITCE ITCE ITCX ITCX ITCX TUD VSK YOR MON MON_mod MON TUD MEL_HE BNU MON TUB
25 ISPRS Benchmark Vaihingen 2 Comp [%] Corr [%] CKU ITCE ITCE ITCX ITCX ITCX TUD VSK YOR CAS MON MON_mod MON TUD MEL_HE BNU MON TUB
26 ISPRS Benchmark Vaihingen 3 Comp [%] Corr [%] CKU FIE ITCE ITCE ITCX ITCX ITCX TUD VSK YOR CAS MON KNTU BNU MON_mod MON TUD MEL_HE WROC WROC_2a WROC_2b MON TUB
27 ISPRS Benchmark Toronto 1 Comp [%] Corr [%] CKU YOR FIE MON2 TUB
28 ISPRS Benchmark Toronto 2 Comp [%] Corr [%] CKU YOR MON TUB
29 Deep Learning Neural Network (NN) Hund Pferd Kamel Katze Maus 5,8 2,7 1,3 9,8 4,4 Quelle:
30 Deep Learning Convolutional Neural Network (CNN) Vollständig verbundenes Neuronales Netz Lokal verbundenes Neuronales Netz Quelle:
31 Trainingsdaten
32 Trainingsdaten
33 Trainingsdaten
34 Deep Learning Alfredo Canziani, Adam Paszke, Eugenio Culurciello, 2017: An Analysis of Deep Neural Network Models for Practical Applications
35 Deep Learning Klassifizierung Zu welcher Klasse gehört ein ungesehenes Objekt? Regressionsanalyse Welcher quantitativer Zusammenhang besteht zwischen Variablen?
36 Deep Learning von 3D-Stadtmodellen Trainingsdaten: Eingabe: 3D-Punktwolke, 3D-Raster, 2,5D DOM Ausgabe: 3D-Vektormodell - Randbeschreibung nicht lernbar 3D-Rastermodell - nicht wirklich gewünscht Parameterbeschreibung? Mathematische Beschreibung? Geeignete CNN-Architektur: Komponenten und Vorbilder existieren
37 PointNet - Klassifizierung Qi, C.R., Su, H., Leonidas, K.M., Guibas, JK., 2017: PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation, arxiv:
38 PointNet - Segmentierung Qi, C.R., Su, H., Leonidas, K.M., Guibas, JK., 2017: PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation, arxiv:
39 Deep Learning von 3D-Stadtmodellen
40 Thank you for your Attention! Wichmann, A., Grammar-Guided Reconstruction of Semantic 3D Building Models From Airborne LiDAR Data Using Half-Space Modeling. Dissertation (eingereicht am ), Technische Universität Berlin
landesweiter Gebäudemodelle und
Ableitung landesweiter Gebäudemodelle und Vegetationslayer aus Laserscanning-Daten Fax: +43-(0)512-507 48 69 E-mail: office@laserdata.at www.laserdata.at Laserdata - Geschäftsbereiche Software für Laserscanning-Daten,
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrPareto optimale lineare Klassifikation
Seminar aus Maschinellem Lernen Pareto optimale lineare Klassifikation Vesselina Poulkova Betreuer: Eneldo Loza Mencía Gliederung 1. Einleitung 2. Pareto optimale lineare Klassifizierer 3. Generelle Voraussetzung
MehrEine praktikable und genaue Methode zur Bestimmung von Wasser-Land-Grenzen aus Laser-Scanner-Daten
Eine praktikable und genaue Methode zur Bestimmung von Wasser-Land-Grenzen aus Laser-Scanner-Daten Peter Dorninger pdo@ipf.tuwien.ac.at Institut für Photogrammetrie und Fernerkundung Technische Universität
MehrDigitales Stadtmodell von Wien
Digitales Stadtmodell von Wien Erstellung und Nutzung Workshop 3D-Stadtmodelle am 3. und 4. November in Bonn EU-Umgebungslärmrichtlinie (2002/49/EG) 2 Erstellung strategischer Lärmkarten Geodaten als geometrische
MehrÜbersicht über die Themen
Übersicht über die Themen 1. Beschreibung von natürlichem Terrain, insbes. unter Wasser 2. Handgestenerkennung für mobile Augmented Reality (AR) Anwendungen 3. Deep Learning im Bereich Gesichtswiedererkennung
MehrLIDAR-Daten Kanton Bern
Amt für Wald des Kantons Bern Laupenstrasse 22, 3011 Bern waldamt@vol.be.ch Office des forêts du canton de Berne Laupenstrasse 22, 3011 Berne waldamt@vol.be.ch LIDAR-Daten Kanton Bern Die LIDAR-Daten des
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
MehrNeue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung. Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich
Neue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich 1 Worum geht es? 2 Worum geht es? Jolanda Jan Bilderbuch 3 Worum
MehrModellierung des Wärmeenergiebedarfs auf der Grundlage von 3D-Daten am Beispiel Grand Lyon (Frankreich)
EUROPÄISCHES INSTITUT FÜR ENERGIEFORSCHUNG INSTITUT EUROPEEN DE RECHERCHE SUR L ENERGIE EUROPEAN INSTITUTE FOR ENERGY RESEARCH Modellierung des Wärmeenergiebedarfs auf der Grundlage von 3D-Daten am Beispiel
MehrNeural Networks: Architectures and Applications for NLP
Neural Networks: Architectures and Applications for NLP Session 00: Organisatorisches Julia Kreutzer & Julian Hitschler 25. Oktober 2016 Institut für Computerlinguistik, Heidelberg 1 Überblick 1. Vorstellung
MehrSegmentierung von Punktwolken anhand von geometrischen und radiometrischen Informationen
von Punktwolken anhand von geometrischen und radiometrischen Informationen Mathias BURGER, Daniel WUJANZ, Frank NEITZEL Technische Universität Berlin 16. Oldenburger 3D Tage 02. Februar 2017 In diesem
MehrWir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)
6. Neuronale Netze Motivation Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) Abstrakt betrachtet sind alle diese
MehrNeuronale Netze. Automatische Hinderniserkennung Paul Fritsche
1 Neuronale Netze Automatische Hinderniserkennung 2 Hintergrund Grundlagen Tensorflow Keras Fazit 3 TTBN 4 TTBN 5 TTBN 6 TTBN 7 Biological Neural Network By BruceBlaus - Own work, CC BY 3.0 8 Artificial
MehrBIM für Infrastruktur Building Information Modeling im kommunalen Umfeld
BIM für Infrastruktur Building Information Modeling im kommunalen Umfeld Eric Sander (Dipl. Ing.), Application Engineer Tech Data GmbH & CO OHG www.tddatech.de Eric Sander (Dipl. Ing Raumplanung) Studium
Mehrzum 3d-Geoinformationssystem
Vom 3d-Stadtmodell zum 3d-Geoinformationssystem Erfahrungen mit dem Modellierungshandbuch der Sig3d beim Aufbaus des 3d-Stadtmodells Ludwigsburg Fachbereich Stadtplanung und Vermessung Vom 3d-Stadtmodell
MehrSozialwissenschaftliche Modelle und Daten SoSe 2010
Sozialwissenschaftliche Modelle und Daten SoSe 2010 LS Sozialwissenschaftliche Methodenlehre und Sozialstatistik C. Dudel C. Dudel Sozialwissenschaftliche Modelle und Daten SoSe 2010 1 23 1 Formalia 2
MehrTheoretische Informatik 1
Theoretische Informatik 1 Boltzmann Maschine David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2014 Übersicht Boltzmann Maschine Neuronale Netzwerke Die Boltzmann Maschine Gibbs
MehrObjektorientierte Bildverarbeitung Methodische Grundlagen
ARC GmbH Objektorientierte Bildverarbeitung Methodische Grundlagen Klaus Steinnocher, Florian Kressler klaus.steinnocher@arcs.ac.at Geschäftsfeld Umweltplanung ARC http://www.arcs.ac.at/s 1 ARC GmbH Einleitung!
MehrDIGITALE PROZESSKETTEN
DIGITALE PROZESSKETTEN Auswirkungen auf Praxis und Planungskultur Bao an International Airport T3 Shenzhen, China Architect M. Fuksas Planungszeit 2008-2009 Bauzeit 2010-2013 1,6 km lang, 78 Gates 300.000
MehrSeminar im Grundstudium: Motion-Tracking in der Robotik
Seminar im Grundstudium SS2007 Seminar im Grundstudium: Motion-Tracking in der Robotik Lehrstuhl für Hardware-Software-Co-Design Universität Erlangen-Nürnberg stefan.wildermann@informatik.uni-erlangen.de
MehrBig Data Umgang mit personenbezogenen Daten im Kontext von digitalen Gesundheits-Akten und Archivierungslösungen
Big Data Umgang mit personenbezogenen Daten im Kontext von digitalen Gesundheits-Akten und Archivierungslösungen Dr. med. Peter Langkafel MBA General Manager Public Sector / Healthcare MEE (Middle and
Mehr2. DTM D city models Copyright Harman/Becker Automotive Systems. M.Strassenburg.
51. Photogrammetrische Woche Stuttgart, Photogrammetry and 3D Car Navigation Dipl.-Ing. Marek Strassenburg- Kleciak 3D Navigation : History 1. 3D Landmarks 1998-2006 2. DTM 2002-2007 3. 3D city models
MehrThe Digital City Experts. CREATE MAINTAIN USE DISTRIBUTE. irtualcitysystems: 2. Februar 2012
The Digital City Experts. CREATE MAINTAIN USE DISTRIBUTE irtualcitysystems: rstellen verwalten veröffentlichen von 3D-Stadtmodellen 2. Februar 2012 Partner für die gesamte Wertschöpfungskette digitaler
MehrIntelligente Algorithmen Einführung in die Technologie
Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrEinführung in Support Vector Machines (SVMs)
Einführung in (SVM) Januar 31, 2011 Einführung in (SVMs) Table of contents Motivation Einführung in (SVMs) Outline Motivation Vektorrepräsentation Klassifikation Motivation Einführung in (SVMs) Vektorrepräsentation
MehrOCR-D. Thomas Stäcker KOORDINIERUNGSPROJEKT ZUR WEITERENTWICKLUNG VON OCR-VERFAHREN Gefördert von der Deutschen Forschungsgemeinschaft
OCR-D KOORDINIERUNGSPROJEKT ZUR WEITERENTWICKLUNG VON OCR-VERFAHREN Gefördert von der Deutschen Forschungsgemeinschaft 26.03.2016 Thomas Stäcker VD 16-18 Katalogisierung Bild- Digitalisierung OCR VD16
MehrAbleitung von Bruch- bzw. Geländekanten aus LIDAR-Daten für die hydro-numerische Modellierung am Main
Ableitung von Bruch- bzw. Geländekanten aus LIDAR-Daten für die hydro-numerische Modellierung am Main Gottfried Mandlburger Institut für Photogrammetrie und Fernerkundung, TU Wien gm@ipf.tuwien.ac.at 3D-Geländekanten
MehrBmstr. DI Dr. Georg Fröch AB Baubetrieb, Bauwirtschaft und Baumanagement Universität Innsbruck
ÖNORM A 6241-2 Bmstr. DI Dr. AB Baubetrieb, Bauwirtschaft und Baumanagement Universität Innsbruck 24.06.2016 1 1 BIM 2 BIM Kommunikationsproblem! Tür Türe Door Porte CODE = GUID 3vHRQ8oT0Hsm00051Mm008
MehrGesichtsidentifikation mit dem Erkennungssystem FaceVACS SDK der Firma Cognitec
Gesichtsidentifikation mit dem Erkennungssystem FaceVACS SDK der Firma Cognitec Zwischenpräsentation Autoren: Alexander Mielchen und Lorenz Kaipf 20.05.2014 1 Gliederung Aufgabenstellung und Randbedingungen
Mehr3D Modelle für Hamburg
Berend Döhle, LGV 220; 21. September 2004, Folie 1 3D Modelle für Hamburg Vortrag im Rahmen der 41. Sitzung der Arbeitsgruppe Automation in der Kartographie (AgA) 21. und 22. September 2004 in Hamburg
Mehrgeoinformation.net Seite 1 von 18 FernerkundungGeoreferenzierte Bilddaten
geoinformation.net Seite 1 von 18 FernerkundungGeoreferenzierte Bilddaten geoinformation.net Seite 2 von 18 Luftbild Karlsruhe Ausschnitt ca. 1,4 x 1,4 km geoinformation.net Seite 3 von 18 Entzerrung http://www.caf.dlr.de/
MehrDie Stadt in 3D Modellierung und Präsentation
Die Stadt in 3D Modellierung und Präsentation Ergebnisse studentischer Arbeiten der Jade Hochschule Ingrid Jaquemotte 29.08.13 Die Stadt in 3D Modellierung und Präsentation Inhalt Einführung Erfassung
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
MehrAhamed Bilal Asaf Ali (Autor) Design Rules for Permanent Magnet Synchronous Machine with Tooth Coil Winding Arrangement
Ahamed Bilal Asaf Ali (Autor) Design Rules for Permanent Magnet Synchronous Machine with Tooth Coil Winding Arrangement https://cuvillier.de/de/shop/publications/6738 Copyright: Cuvillier Verlag, Inhaberin
MehrEinführung Computerlinguistik. Konstituentensyntax II
Einführung Computerlinguistik Konstituentensyntax II Hinrich Schütze & Robert Zangenfeind Centrum für Informations- und Sprachverarbeitung, LMU München 2013-11-18 1 / 31 Take-away Phrasenstrukturgrammatik:
MehrFortführung des Gebäudemodells LoD2 in Bayern
Fortführung des Gebäudemodells LoD2 in Bayern Workshop 3D-Stadtmodelle am 21. und 22. November im Universitätsclub Bonn Frank Hümmer 1 Fortführung von 3D- Gebäudemodellen? 3D-Gebäudemodelle Amt für Digitalisierung,
MehrFormale Sprachen. Script, Kapitel 4. Grammatiken
Formale Sprachen Grammatiken Script, Kapitel 4 erzeugen Sprachen eingeführt von Chomsky zur Beschreibung natürlicher Sprache bedeutend für die Syntaxdefinition und -analyse von Programmiersprachen Automaten
MehrFiltering of Laser Altimetry Data Using Surface-specific Filter
Filtering of Laser Altimetry Data Using Surface-specific Filter GISc Kolloquium, 10. Januar 2006 Betreuung: Ross Purves Ronald Schmidt Stefan Steiniger Quelle: DigitalGlobe, Dez. 2005 Inhalt 1. Motivation
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
MehrKünstliche Intelligenz
Künstliche Intelligenz Intelligente Agenten Claes Neuefeind Sprachliche Informationsverarbeitung Universität zu Köln 26. Oktober 2011 Agenten Konzept des Agenten Rationalität Umgebungen Struktur von Agenten
Mehr3D-Stadtmodelle. Anwendungen, Rekonstruktion und kartographische Generalisierung
3D-Stadtmodelle Anwendungen, Rekonstruktion und kartographische Generalisierung Jun.-Prof. Dr. Martin Kada Universität Osnabrück Institut für Geoinformatik und Fernerkundung 1 3D-Stadtmodelle Hannover
MehrVom ALKIS zum 3D-Stadtmodell
Vom ALKIS zum 3D-Stadtmodell 3D-Geobasisdaten der Landesvermessungsbehörden Gunthard Reinkensmeier Landesvermessung und Geobasisinformation Brandenburg GIS-Seminar GIS trifft BIM, Brandenburgische Ingenieurkammer,
Mehr1. Lernen von Konzepten
1. Lernen von Konzepten Definition des Lernens 1. Lernen von Konzepten Lernziele: Definitionen des maschinellen Lernens kennen, Klassifikationen des maschinellen Lernens kennen, Das Prinzip des induktiven
MehrNeuss in 3D. Neuss. 154 083 Einwohner (7/11) ößte kreisangehörige. Größ. rige Gemeinde Deutschlands. Markt 2 D -41460 Neuss
Neuss in 3D Dipl. Ing. (FH) Martin Stitz Tel.: +492131 / 906260 Mail: martin.stitz@stadt.neuss.de Markt 2 D -41460 Neuss Seite 1 Neuss 154 083 Einwohner (7/11) Größ ößte kreisangehörige rige Gemeinde Deutschlands
MehrNumerical analysis of the influence of turbulence on the exchange processes between porous-medium and free flow
Numerical analysis of the influence of turbulence on the exchange processes between porous-medium and free flow T. Fetzer Institut für Wasser- und Umweltsystemmodellierung Universität Stuttgart January
MehrUntersuchungen zur Segmentierung von Satellitenbilddaten für die Extraktion von GIS-Objekten
Untersuchungen zur Segmentierung von Satellitenbilddaten für die Extraktion von GIS-Objekten KRISTIN LEUKERT 1 Zusammenfassung: Objektbasierte Verfahren bieten besonders für hochaufgelöste Bilddaten neue
MehrSachsens Gebäude in 3D Digitales Gebäudemodell des GeoSN
Sachsens Gebäude in 3D Digitales Gebäudemodell des GeoSN Flächendeckendes 3D-Gebäudemodell in Sachsen Agenda Aufgabenstellung Grundlagen Ausgangsdaten Technologie Nutzungspotential Ausblick 2 22. Oktober
MehrDeep Learning für Automatische Dokumentanalyse
Deep Learning für Automatische Dokumentanalyse apl. Prof. Marcus Liwicki DIVA Group, University of Fribourg MindGarage, University of Kaiserslautern marcus.liwicki@unifr.ch www.mindgarage.de Können Sie
MehrApplication Express (APEX) Carsten Czarski Business Unit Database. ORACLE Deutschland B.V. & Co KG
Application Express (APEX) Anwendungen - schnell und einfach. In der Cloud oder On Premise. Carsten Czarski Business Unit Database ORACLE Deutschland B.V. & Co KG Oracle Application Express (Oracle APEX)
MehrVertragsverifikation mittels Fernerkundung
Vertragsverifikation mittels Fernerkundung Dr. Irmgard Niemeyer Arbeitsgruppe Geomonitoring Institut für Markscheidewesen und Geodäsie TU Bergakademie Freiberg Arbeitsgruppe Geomonitoring TU Bergakademie
MehrMotivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.
Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später
MehrForestHype Teilprojekt Biodiversität
ForestHype Teilprojekt Biodiversität Anne Clasen, Michael Förster, Birgit Kleinschmit Herzlich Willkommen. Welcome. Gliederung I Flächenhafte Auswertungen Studie 1 Vergleich und synergetische Nutzung von
MehrInstitut für Künstliche Intelligenz
Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie
MehrImplizite Modellierung zur Objekterkennung in der Fernerkundung
Implizite Modellierung zur Objekterkennung in der Fernerkundung Mitarbeiterseminar 20.01.2011 (IPF) Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften KIT Universität des Landes Baden-Württemberg
Mehr3D-Gebäudemodelle und ALKIS in Bayern Fortführung von LoD2-Gebäuden auf Basis des Liegenschaftskatasters
3D-Gebäudemodelle und ALKIS in Bayern von LoD2-Gebäuden auf Basis des Liegenschaftskatasters 12. Juni 2014 Frank Hümmer Amt für Digitalisierung, Erstableitung LoD 2 Amt für Digitalisierung Erstableitung
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014, überarbeitet am 20. Januar 2017 Übersicht Stand der Kunst: Bilderverstehen, Go spielen Was ist ein Bild in Rohform?
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen
Mehr8. Mai Humboldt-Universität zu Berlin. LingPipe. Mark Kibanov und Maik Lange. Index. Allgemeine Infos. Features
Humboldt-Universität zu Berlin 8. Mai 2008 1 2 logistic regression 3 Benutzer 4 Fazit 5 Quellen Was ist? is a suite of Java libraries for the linguistic analysis of human. Was ist? is a suite of Java libraries
MehrWas ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science
Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science 15.12.2017 Suchinteresse 15.12.2017 Was ist, kann und darf Deep Learning? 2 Google Trends für Deep Learning ILSVRC 2012:
MehrVon der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz
Von der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz Dr. Stefan Wess CEO Empolis Information Management, Kaiserslautern Seite 1 Historie der Empolis
MehrEigenschaften und Verarbeitung topobathymetrischer. Wellenform zum DGM
Eigenschaften und Verarbeitung topobathymetrischer Punktwolken Von der Gottfried Mandlburger, Martin Wieser, Philipp Glira, Andreas Roncat und Norbert Pfeifer gottfried.mandlburger@geo.tuwien.ac.at Technische
MehrHannah Wester Juan Jose Gonzalez
Neuronale Netze Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Juan Jose Gonzalez Kurze Einführung Warum braucht man Neuronale Netze und insbesondere Supervised Learning? Das Perzeptron
MehrBilder vom Boden und vom UAV: Orientierung, dichte 3D-Rekonstruktion und funktionale Modellierung
Bilder vom Boden und vom UAV: Orientierung, dichte 3D-Rekonstruktion und funktionale Modellierung HELMUT MAYER 1, HAI HUANG 1, ANDREAS KUHN 1, MARIO MICHELINI 1, WILLIAM NGUATEM 1, LUKAS ROTH 1, MATTHIAS
MehrAnalytic im Einsatz! Betrugserkennung auf Basis von Big Data. Karol Sobiech
Analytic im Einsatz! Betrugserkennung auf Basis von Big Data Karol Sobiech 2 ACCENTURE GLOBAL DELIVERY NETWORK 3 4 AGENDA 1 MOTIVATION & ZIEL 2 METHODEN FRAUD MANAGEMENT SYSTEM 4 ARCHITEKTUR & TOOLS 3
MehrPunktlokalisation 1. Trapez-Zerlegungen. 2. Eine Suchstruktur. 3. Randomisierter, inkrementeller Algorithmus zur Konstruktion der Trapez-Zerlegung
Punktlokalisation 1. Trapez-Zerlegungen 2. Eine Suchstruktur 3. Randomisierter, inkrementeller Algorithmus zur Konstruktion der Trapez-Zerlegung 4. Analyse Punktlokalisation Einteilung in Streifen Anfragezeit:
MehrRegelbasierte Zufallsgenerierung von Gebäudemodellen aus Bebauungsplänen mit der Software CityEngine
Motivation Regelbasierte Zufallsgenerierung von Gebäudemodellen aus Bebauungsplänen mit der Software CityEngine Abbildung 1: 2D Gebäudeumriss Ein zweidimensionaler Gebäudeumriss, wie die Abbildung Abbildung
MehrScalypso - 3D-Laserscandaten effektiv auswerten
Scalypso - 3D-Laserscandaten effektiv auswerten IB Dr. König Kopernikusstraße 2 14482 Potsdam Denkmal Tiefbau Präzision Anlagenbau 2-5 mm Entfernung 0.1 mm long distance Tachymetrie 10 max. 40 m midrange
MehrKlausurtermine Informatik Herbst 2016 Stand: Änderungen sind rot markiert Wochentag Prüfungstermin: Prüfungsbezeichnung: Raum/Räume:
Klausurtermine Informatik Herbst 2016 Stand: 20.07.2016 Änderungen sind rot markiert Wochentag Prüfungstermin: Prüfungsbezeichnung: Raum/Räume: Semester Montag 18.07.2016 11.00-14.00 Digitalschaltungen
MehrData Mining Künstliche Neuronale Netze vs. Entscheidungsbäume
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren
MehrQualität der ALS50 Laserscanner Daten Befliegung Vaihingen/Enz
Qualität der ALS50 Laserscanner Daten Befliegung Vaihingen/Enz Camillo Ressl, Matthias Ockermüller, Helmut Kager Institut für Photogrammetrie und Fernerkundung (I.P.F.), Technische Universität Wien www.ipf.tuwien.ac.at
MehrHerzlich willkommen! Netzwerk Energieberatung Steiermark. Qualitätssicherung im Energieausweis durch Building Information Modeling (BIM)
Herzlich willkommen! Netzwerk Energieberatung Steiermark Qualitätssicherung im Energieausweis durch Building Information Modeling (BIM) Mag. Hermann J. Jahrmann ECOTECH Software für Bauphysik und energietechnische
Mehr2011 European HyperWorks Technology Conference
2011 European HyperWorks Technology Conference Topology Optimization Methods applied to Automotive Transmission Housings 1 Agenda Introduction - Corporate Information - overview Topology Optimization for
MehrInhalt. 4.1 Motivation. 4.2 Evaluation. 4.3 Logistische Regression. 4.4 k-nächste Nachbarn. 4.5 Naïve Bayes. 4.6 Entscheidungsbäume
4. Klassifikation Inhalt 4.1 Motivation 4.2 Evaluation 4.3 Logistische Regression 4.4 k-nächste Nachbarn 4.5 Naïve Bayes 4.6 Entscheidungsbäume 4.7 Support Vector Machines 4.8 Neuronale Netze 4.9 Ensemble-Methoden
MehrMesstechnik Neth GmbH
Messtechnik Neth GmbH Konstruktion und verschiedene Möglichkeiten der CAD- Modellerstellung Copyright Messtechnik Neth GmbH 04.03.2016 Inhaltsverzeichnis 1. Begriffserklärung Reverse Engineering 2. Mögliche
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
MehrSegmentierung der Prostata aus MRT-Bilddaten mittels eines statistischen Modells
Segmentierung der Prostata aus MRT-Bilddaten mittels eines statistischen Modells Stefan Dänzer 1,5, Stefan Freitag 2, Dirk Beyersdorff 3, Markus Scholz 4, Oliver Burgert 1, Jens-Uwe Stolzenburg 5 1 ICCAS,
MehrFlächen- und Volumenmessung lokaler Objekte in DICOM-Bildern und Bildfolgen
Flächen- und Volumenmessung lokaler Objekte in ICOM-Bildern und Bildfolgen Sergei Hludov, Christoph Meinel und Thomas Engel Institut für Telematik Bahnhofsstr. 30-3, 549 Trier Email: hludov@ti.fhg.de Zusammenfassung.
MehrInformationsveranstaltung 3D-Geobasisinformation die Produkte des LGLN. 3D-Messdaten Antje Tilsner
Informationsveranstaltung 3D-Geobasisinformation die Produkte des LGLN 3D-Messdaten Antje Tilsner Gliederung Entstehung von 3D-Messdaten Photogrammetrie Airborne-Laserscanning Digitale Bildkorrelation
MehrBedeutung Risiko- und Business Continuity Management in der Privatwirtschaft. Raiffeisen Informatik GmbH
Bedeutung Risiko- und Business Continuity Management in der Privatwirtschaft Ing. Michael Ausmann, MSc Raiffeisen Informatik GmbH Was brauchen wir zum Leben? Die Stärke von Raiffeisen & Leistung der Raiffeisen
MehrBig Data Künstliche Intelligenz Und das Ich
Big Data Künstliche Intelligenz Und das Ich Überblick Big data 2 Beispiele David Kriesel: Spiegel Mining Cambridge Analytics: Ocean Diagramm Intelligenz Wie funktioniert das? Neuronale Netze Zukunktsperspektiven/Kaffeesatzleserei
MehrAutomatic segmentation for dental operation planning. Diplomarbeit. Nguyen The Duy
Automatic segmentation for dental operation planning Diplomarbeit Nguyen The Duy 24.02.2012 Motivation Quelle: bestbudapestdentist.com Aufgabenstellung Segmentierung des Oberkiefers (Maxilla) Detektion
MehrScene Reconstruction with Multiple View Geometry
Scene Reconstruction with Multiple View Geometry Anwendungen 2 16.06.2010 Nikolaus Rusitska nikolausrusitska@gmx.de Inhalt Rückblick Techniken Related Work Fazit 1 Rückblick Techniken Related Work Fazit
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrLarge Scale Data Management
Large Scale Data Management Beirat für Informationsgesellschaft / GOING LOCAL Wien, 21. November 2011 Prof. Dr. Wolrad Rommel FTW Forschungszentrum Telekommunikation Wien rommel@ftw.at Gartner's 2011 Hype
MehrInteraktives 3D Sportfernsehen
Warum das Volumen eines 54-dimensionalen Hyperellipsoids und die Bewegungen des menschlichen Körpers eine bijektive Abbildung bilden können Cornelius Malerczyk, ZGDV, Darmstadt (1) Interaktives 3D Fernsehen
MehrEffiziente Bestandsaktualisierung von 3D-Stadtmodellen durch Analyse multitemporaler 3D-Punktwolken
Effiziente Bestandsaktualisierung von 3D-Stadtmodellen durch Analyse multitemporaler 3D-Punktwolken Rico Richter, FG Computergrafische Systeme Prof. Döllner Workshop 3D-Stadtmodelle 2014 Kontext und Problemstellung
Mehr15 Jahre Erfahrung mit Laserscanning in der Praxis
15 Jahre Erfahrung mit Laserscanning in der Praxis TopScan Gesellschaft zur Erfassung topographischer Information mbh Dr. Joachim Lindenberger Düsterbergstr. 5 48432 Rheine Germany info@topscan.de www.topscan.de
MehrIntelligente Systeme WS 2015/16
Lehrgebiet Intelligente Systeme WS 2015/16 Andreas Dengel Fragestellungen Automatisierung von intelligentem" Verhalten im Sinn eines Leistungsverstärkers für den Menschen, z.b. Verstehen von Bildern, Sprache
MehrKNN für XOR-Funktion. 6. April 2009
KNN für XOR-Funktion G.Döben-Henisch Fachbereich Informatik und Ingenieurswissenschaften FH Frankfurt am Main University of Applied Sciences D-60318 Frankfurt am Main Germany Email: doeben at fb2.fh-frankfurt.de
MehrLinked Open Cultural Heritage.
Linked Open Cultural Heritage. Herausforderungen, Risiken und Chancen der Datenvernetzung im Bereich des Kulturerbes. Georg Hohmann Germanisches Nationalmuseum Referat für Museums- und Kulturinformatik
MehrInformatik I. Grundlagen der systematischen Programmierung. Peter Thiemann WS 2007/08. Universität Freiburg, Germany
Informatik I Grundlagen der systematischen Programmierung Peter Thiemann Universität Freiburg, Germany WS 2007/08 Literatur Herbert Klaeren, Michael Sperber. Die Macht der Abstraktion. Teubner Verlag,
MehrGrundlagen der Programmierung 2. Operationale Semantik
Grundlagen der Programmierung 2 Operationale Semantik Prof. Dr. Manfred Schmidt-Schauÿ Künstliche Intelligenz und Softwaretechnologie 29. April 2009 Semantik von Programmiersprachen Semantik = Bedeutung
Mehr2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 25 26 28
MehrFormatvalidierung bei Forschungsdaten: Wann und wozu?
Formatvalidierung bei Forschungsdaten: Wann und wozu? 106. Deutscher Bibliothekartag Frankfurt am Main, 1. Juni 2017 Dr. Matthias Töwe, ETH-Bibliothek, ETH Zürich M. Töwe 01.06.2017 1 Überblick Formatidentifizierung
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,
Mehrswissalti 3D Ausgabebericht 2017 Allgemeines über swissalti 3D Aufbau und Nachführung von swissalti 3D
Eidgenössisches Departement für Verteidigung, Bevölkerungsschutz und Sport VBS Bundesamt für Landestopografie swisstopo swissalti 3D Ausgabebericht 2017 Allgemeines über swissalti 3D Im Rahmen des Projektes
MehrBildinterpretation: Gebäuderekonstruktion aus Luftbildern
Bildinterpretation: Gebäuderekonstruktion aus Luftbildern Felix Spenrath Proseminar Künstliche Intelligenz Sommersemester 2004 Kurzzusammenfassung Diese Ausarbeitung behandelt die Erkennung und Modellierung
Mehr(Pro-)Seminar Robotik
(Pro-)Seminar Robotik Themenvorstellung Frank Neuhaus, Viktor Seib, Nicolai Wojke {fneuhaus vseib nwojke}@uni-koblenz.de Institut für Computervisualistik Universität Koblenz-Landau 18. April 2012 F. Neuhaus,
Mehr