Neue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung. Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich
|
|
- Kristin Walter
- vor 6 Jahren
- Abrufe
Transkript
1 Neue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich 1
2 Worum geht es? 2
3 Worum geht es? Jolanda Jan Bilderbuch 3
4 Worum geht es?? 4
5 und wie würde das gehen? 1. Trainingsphase: Erlernen anhand von (repräsentativen) Beispielen 2. Testphase: Anwendung des erlernten Wissens auf Neues 5
6 Weshalb maschinelles Lernen in P&F? in Text 6
7 Weshalb maschinelles Lernen in P&F? Microsoft Vexcel Microdrones Google Leica in Text in Bildern, Videos und Punktwolken 7
8 Beispiel 1 Strassenextraktion in Kooperation mit Javier Montoya L ubor Ladický Konrad Schindler Donnerstag, 20. November
9 Ziel: Extraktion topologisch vollständiger und korrekter Strassennetzwerke (aus Luftbildern) Kenwood Google 9
10 Warum ist das schwierig? Verdeckungen Ähnlichkeit Definition + komplexe Netzwerk- struktur ungelöstes Problem seit fast 40 Jahren, Bajcsy et.al. (TSMC 76). 10
11 Lokaler Kontext Luftbild Global optimales Modell Strassenwahrscheinlichkeit Ergebnis Inferenz Strassen- hypothesen Conditional Random Field Donnerstag, 20. November
12 1.Lokaler Kontext #1 BoW 4x4 x 80x80 160px x 160px Multi-feature TextonBoost Ladický et. al. (ICCV 09) #200 BoW Context-aware road scores Donnerstag, 20. November
13 2. Strassenbreite lokaler Kontext + Random Forest Strassenwahrscheinlichkeiten pro Breite Donnerstag, 20. November
14 3. Strassenhypothesen Strassenwahrscheinlichkeiten pro Breite Strassenhypothesen Donnerstag, 20. November
15 4. Globales Modell Strassenhypothesen Ergebnis konvexe Energiefunktion Strassenhinweise Soft-clique membership Donnerstag, 20. November
16 Ergebnis Standardklassifikation ohne Kontext 16
17 Ergebnis lokaler Kontext 17
18 Ergebnis lokaler + globaler Kontext 18
19 Beispiel 2 3D Stadtmodell in Kooperation mit Maros Bláha Christian Häne Konrad Schindler 19
20 Ziel: Semantisch annotiertes 3D-Stadtmodell axyz-design axyz-design 20
21 Probleme? Objekt- geometrie + Semantik Google Verdeckungen 21
22 Idee: nutze Semantik um Geometrie zu verbessern und umgekehrt! 22
23 ? 23
24 Simultanes Schätzen von Semantik und Geometrie Tiefenbild + Semantik Häne et. al. (CVPR 13) 24
25 Relative Orientierung Lerne Aussehen pro Kategorie Tiefenbilder Klassifizierung Lerne Objektgeometrie pro Kategorie + 25
26 Globales Modell konvexe Energiefunktion Hinweise auf Kategorie pro Voxel Objektgeometrie 26
27 erstes Ergebnis (auf ¼ Auflösung) Schrägluftbild 3D-Modell Tiefenbild Klassifizierung 27
28 Fazit =? 28
29 Fazit! 29
30 Zukunftsideen I 1. Kombination von diskreter Klassifizierung und kontinuierlicher Regression Anwendung klassisch geodätischer Instrumente wie z.b. Signifikanztests 2. Deep learning (z.b. Convolutional Neural Networks) open street map 30
31 Zukunftsideen II 3. Unüberwachtes Lernen? Erlernen von Strukturen in grossen Datensätzen ohne vorheriges annotieren (oder nur teilweise) 4. Detektion von Veränderungen Theodor Hosemann schwer erlernbar, da seltenes Vorkommen Können wir logisches Schliessen einsetzen oder sogar erlernen? Aber auch: Wie weit wollen wir gehen? Privatssphäre 31
Qualitätsuntersuchung photogrammetrischer Matchingverfahren mit Schrägluftbildern. Helge Olberding, Jurij Schmik
Qualitätsuntersuchung photogrammetrischer Matchingverfahren mit Schrägluftbildern Helge Olberding, Jurij Schmik 16. Oldenburger 3D-Tage, 01.02. - 02.02.2017 INHALT Motivation Datengrundlage Luftbilder
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
MehrFaltungsnetzwerke. (Convolutional Neural Networks) Maximilian Schmidt. Faltungsnetzwerke
(Convolutional Neural Networks) Maximilian Schmidt 1 Inhalt Deconvolution ConvNet Architektur History Convolution layer Layers ReLu layer Pooling layer Beispiele Feature Engineering 2 Das Ziel Klassifizierung
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrWas denken denkende Maschinen? WI-Award, Crowne Plaza Zürich, Thilo Stadelmann
Was denken denkende Maschinen? WI-Award, Crowne Plaza Zürich, 20.10.2016 Thilo Stadelmann Was? Wie? Wohin? 1 Was ist passiert? (Eine kurze Geschichte der letzten Monate) 2 3 4 5 6 7 Generierte Sprache
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
MehrVirtuelle 3D Stadtmodelle
Virtuelle 3D Stadtmodelle Dr. Franz Steidler, CyberCity AG 1. CYBERCITY AG 2. Datenerfassung und GENERIERUNG von 3D Stadtmodellen 3. TEXTURIERUNG von Gebäuden 4. VERWALTUNG der 3D Gebäudedaten 5. VISUALISIERUNG
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
MehrSichtbarmachung von Geo-Daten für eine Suchmaschine
Sichtbarmachung von Geo-Daten für eine Suchmaschine Frauke Heinzle Monika Sester Institut für Kartographie und Geoinformatik (ikg) Universität Hannover Roter Faden EU-Projekt SPIRIT kurze Einleitung Pro
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
Mehr3D Vegetationskartierung: flugzeuggestütztes Laserscanning für ein operationelles Waldstrukturmonitoring
3D Vegetationskartierung: flugzeuggestütztes Laserscanning für ein operationelles Waldstrukturmonitoring R. Leiterer, F. Morsdorf, M.E. Schaepman, W. Mücke, N. Pfeifer, M. Hollaus Remote Sensing Laboratories
MehrEntwicklung einer Anwendung zur Erkennung von Täuschungsversuchen
Entwicklung einer Anwendung zur Erkennung von Täuschungsversuchen Theoretische Ausarbeitung Miriam Friedrich Matr.-Nr.: 3062857 1. Prüfer: Prof. Dr. rer. nat. Alexander Voß 2. Prüfer: Bastian Küppers,
MehrVisuelle Bildsuche und Bildnavigation. Prof. Dr. Kai Uwe Barthel
Visuelle Bildsuche und Bildnavigation Prof. Dr. Kai Uwe Barthel Übersicht Probleme der Bildsuche Textbasierte Bildsuche Visuelle (Low-Level-)Bildsuche Fusion der Suchprinzipien Automatisches Bildverstehen
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
MehrPersonenerkennung. Harald Hauptseminarpräsentation. Harald Kirschenmann. Department Informatik. Department Informatik.
Harald Hauptseminarpräsentation Kirschenmann Personenerkennung 1 Inhaltsübersicht Motivation Grundlagen Benchmark Eigene Gesichtserkennung 2 Motivation Baustein einer Microservice Architektur Personenerkennung
MehrWorkshop Nutzung von Mobile Mapping Daten für die Stadtmodellierung und Visualisierung
Workshop Nutzung von Mobile Mapping Daten für die Stadtmodellierung und Visualisierung Workshop Nutzung von Mobile Mapping Daten für die Stadtmodellierung und Visualisierung Mobiles Laserscanning Straßenraum
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
MehrRäumlich-semantische Kohärenz von 3D-Geodaten
Technische Universität Berlin Räumlich-semantische Kohärenz von 3D-Geodaten DI Alexandra Stadler Prof. Dr. Thomas H. Kolbe Abteilung Methodik der Geoinformationstechnik Institut für Geodäsie und Geoinformationstechnik
Mehr3D-Innenraummodellierung auf der Basis eines geometrisch-topologischen Datenmodells
3D-Innenraummodellierung auf der Basis eines geometrisch-topologischen Datenmodells Catia Real Ehrlich, Jörg Blankenbach 47. Sitzung der AgA, 27. September 2010 Gliederung Motivation Problemstellung Workflow
MehrCityGML als Grundlage für die Indoor Positionierung mittels Range Imaging
CityGML als Grundlage für die Indoor Positionierung mittels Range Imaging Münchner Fortbildungsseminar Geoinformationssystem 10.03.2010 Andreas Donaubauer, Tobias Kohoutek, Rainer Mautz ETH Zürich, Institut
MehrDEEP LEARNING MACHINE LEARNING WITH DEEP NEURAL NETWORKS 8. NOVEMBER 2016, SEBASTIAN LEMBCKE
DEEP LEARNING MACHINE LEARNING WITH DEEP NEURAL NETWORKS 8. NOVEMBER 2016, SEBASTIAN LEMBCKE INHALT Einführung Künstliche neuronale Netze Die Natur als Vorbild Mathematisches Modell Optimierung Deep Learning
MehrMaschinelle Sprachverarbeitung
Maschinelle Sprachverarbeitung Übung Aufgabe 5: Gen-Erkennung mit Maschinellen Lernen Mario Sänger Problemstellung Erkennung von Genen in Texten NEU: Beachtung von Multi-Token-Entitäten (B-/I-protein)
MehrKann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders
Kann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders Gerhard Svolba SAS Austria Mariahilfer Straße 116 A-1070 Wien Sastools.by.gerhard@gmx.net Zusammenfassung
MehrTensorFlow Open-Source Bibliothek für maschinelles Lernen. Matthias Täschner Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig
TensorFlow Open-Source Bibliothek für maschinelles Lernen Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig Motivation Renaissance bei ML und KNN Forschung bei DNN fortgeschrittene
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
MehrPotenziale des Full-Waveform-Laserscanning zur Erfassung von Flussvorlandrauheiten
Potenziale des Full-Waveform-Laserscanning zur Erfassung von Flussvorlandrauheiten Institut für Photogrammetrie und Fernerkundung Boris JUTZI Amplitude Zeit www.kit.edu Inhalte Potenziale des Full-Waveform-Laserscanning
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?
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
MehrAnalyse komplexer Szenen mit Hilfe von Convolutional Neural Networks
Analyse komplexer Szenen mit Hilfe von Convolutional Anwendungen 1 Vitalij Stepanov HAW-Hamburg 24 November 2011 2 Inhalt Motivation Alternativen Problemstellung Anforderungen Lösungsansätze Zielsetzung
Mehr(Bamberg)
Konzeption eines Frameworks für die Evaluation von Tag-Suggestion-Algorithmen Martin Garbe Steffen Oldenburg Lukas Zielinski Prof. Dr. Clemens Cap (Universität Rostock) 08.05.2008 (Bamberg) Übersicht Tags
MehrInhaltliche Planung für die Vorlesung
Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme
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?
MehrFrischer Wind für ein bekanntes Thema Klassifikation 4.0
Frischer Wind für ein bekanntes Thema Klassifikation 4.0 AK Fernerkundung Heidelberg, 4.-5.10.2018 Ruth Leska, GEOSYSTEMS GmbH GEOSYSTEMS ist Ihr Partner für Geo-IT Lösungen und Hexagon Geospatial Platinum
MehrUAV Mapping Drohnenvermessung im Infrastrukturbau
UAV Mapping Drohnenvermessung im Infrastrukturbau SWISSBAU FOCUS / 19.01.2018 Vortrag Inhalt þ Vorstellung Schällibaum AG þ Erfassung und Bereitstellung þ þ Drei Referenzbeispiele þ Erhaltungsprojekt Schöllenen
MehrPhotogrammetrie Fernerkundung Geoinformation
Photogrammetrie Fernerkundung Geoinformation Jahrgang 2008 Heft 1 Organ der Deutschen Gesellschaft für Photogrammetrie, Fernerkundung und Geoinformation (DGPF) e.y. E. Schweizerbart'sche Verlagsbuchhandlung
MehrSemantische Klassifizierung von 3D-Punktwolken. Christian Köhler, Marc Donner, Ralf Donner
Semantische Klassifizierung von 3D-Punktwolken Christian Köhler, Marc Donner, Ralf Donner TU Bergakademie Freiberg, Institut für Markscheidewesen und Geodäsie ZUSAMMENFASSUNG: Für die automatisierte Überwachung
MehrWorteinbettung als semantisches Feature in der argumentativen Analyse
Worteinbettung als semantisches Feature in der argumentativen Analyse Bachelorverteidigung Kevin Lang 22.03.2016 Übersicht Was ist die argumentative Analyse? Worteinbettung und Word2Vec Resultate Diskussion
MehrDiskriminatives syntaktisches Reranking für SMT
Diskriminatives syntaktisches Reranking für SMT Fortgeschrittene Themen der statistischen maschinellen Übersetzung Janina Nikolic 2 Agenda Problem: Ranking des SMT Systems Lösung: Reranking-Modell Nutzung
MehrMartin Stetter WS 03/04, 2 SWS. VL: Dienstags 8:30-10 Uhr
Statistische und neuronale Lernverfahren Martin Stetter WS 03/04, 2 SWS VL: Dienstags 8:30-0 Uhr PD Dr. Martin Stetter, Siemens AG Statistische und neuronale Lernverfahren Behandelte Themen 0. Motivation
MehrMarkov Logik. Matthias Balwierz Seminar: Maschinelles Lernen WS 2009/2010 Prof. Fürnkranz
Markov Logik Matthias Balwierz Seminar: Maschinelles Lernen WS 2009/2010 Prof. Fürnkranz Überblick Markov Netze Prädikatenlogik erster Stufe Markov Logik Inferenz Lernen Anwendungen Software 18.11.2009
MehrAnalyse und Visualisierung von massiven, semantisch klassifizierten 3D-Punktwolken. Jürgen Döllner Hasso-Plattner-Institut Universität Potsdam
Analyse und Visualisierung von massiven, semantisch klassifizierten 3D-Punktwolken Jürgen Döllner Hasso-Plattner-Institut Universität Potsdam I 3D-Punktwolken II Semantik-Ableitung III Semantik-Nutzung
MehrSprachtechnologien und maschinelle Übersetzung heute und morgen eine Einführung Martin Kappus (ZHAW)
Martin Kappus (ZHAW) Ablauf: Warum sprechen wir heute über maschinelle Übersetzung? Geschichte und Ansätze Eingabe-/Ausgabemodi und Anwendungen 2 WARUM SPRECHEN WIR HEUTE ÜBER MASCHINELLE ÜBERSETZUNG?
MehrDr. Daniel Fasel, CEO DATEN, DAS WERTSCHÖPFENDE GUT FÜR DIE DIGITALISIERUNG
Dr. Daniel Fasel, CEO DATEN, DAS WERTSCHÖPFENDE GUT FÜR DIE DIGITALISIERUNG End 2 End Big Data Services Platform Engineering & DevOps Analytics Solutions Proof of Concept Architecture & Strategy Machbarkeitsstudien
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
MehrDigitale Reliefanalyse
Digitale Reliefanalyse Modul 211 Arbeitsverzeichnisse Ihre Arbeitsverzeichnisse finden Sie unter: home_stud/modul_211/kursx Legen Sie in Ihrem Arbeitsverzeichnis ein Unterverzeichnis mit Namen: Hoehen
Mehrifp Kalibrierung und Zertifizierung zur Bewertung digitaler Luftbildkameras Institut für Photogrammetrie Michael Cramer
Institut für Photogrammetrie ifp Kalibrierung und Zertifizierung zur Bewertung digitaler Luftbildkameras Michael Cramer DGPF-Jahrestagung Jena Kameraevaluierung III 26. März 2009 Warum dieser Vortrag?
MehrNamed Entity Recognition auf Basis von Wortlisten
Named Entity Recognition auf Basis von Wortlisten EDM SS 2017 Lukas Abegg & Tom Schilling Named Entity Recognition auf Basis von Wortlisten Lukas Abegg - Humboldt Universität zu Berlin Tom Schilling -
MehrWissensrepräsentation
Wissensrepräsentation Vorlesung Sommersemester 2008 12. Sitzung Dozent Nino Simunic M.A. Computerlinguistik, Campus DU Übersicht Rückblick, Zusammenhänge Mysterien 2 Inhalte im abstrakten Überblick Künstliche
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
MehrWINDOWS 10. Modul 1 - Grundlagen
WINDOWS 10 Modul 1 - Grundlagen Dateiablage... 2 Desktop... 2 Start Menu... 4 Windows Explorer... 4 Taskleiste... 6 Praktische Programme... 7 Internet Zugang... 8 System schützen... 10 Apps & Features...
Mehrelaboratum InsureFin Digital Day 2018 Was kann KI für die Finanzdienstleistungs- und Versicherungsbranche leisten?
elaboratum InsureFin Digital Day 2018 Was kann KI für die Finanzdienstleistungs- und Versicherungsbranche leisten? Wolfgang Beinhauer Fraunhofer IAO Seite 1 Mensch oder Maschine? Der Turing-Test (Alan
MehrWarum Semantik?- Semantische Technologien in praxisnahen Lern- und Wissenssystemen
Warum Semantik?- Semantische Technologien in praxisnahen Lern- und Wissenssystemen Dr. Guenter Pees Senior Consultant Wissensmanagement/ E-Learning Schneider System GmbH Agenda Problembereich Informationsablage
MehrSegmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden
Segmentierung und Datenapproximation von Laserscanneraufnahmen mittels statistischer Methoden Ingo Neumann, Jens-André Paffenholz und Nico Lindenthal GEODÄTISCHES INSTITUT HANNOVER Session: Laserscanning
MehrModulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
MehrMaschinelles Lernen. mit und. Effizienz steigern in Massenprozessen. Jan Schinnerling. eworld 2019 Maschinelles Lernen
Maschinelles Lernen mit und Effizienz steigern in Massenprozessen Jan Schinnerling eworld 2019 Maschinelles Lernen Was ist maschinelles Lernen? 2 Grundidee: einem System durch Beispieldaten eine Fähigkeit
MehrBertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren
Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren Regensburg, 18.05.2017, Ulrich Haböck Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 0 Agenda Grundlagen Machine
MehrGeodatenintegration unter Nutzung von Linked Data Prinzipien Stefan Wiemann Technische Universität Dresden
14. Seminar GIS & Internet UniBw München, 17. 18.09.2014 Geodatenintegration unter Nutzung von Linked Data Prinzipien Stefan Wiemann Technische Universität Dresden Motivation Isolierte Daten Verlinkte
MehrINTEGER Visuelle Entscheidungsunterstützung bei der Auswertung von Daten aus sozialen Netzwerken
INTEGER Visuelle Entscheidungsunterstützung bei der Auswertung von Daten aus sozialen Netzwerken BMBF-Innovationsforum Zivile Sicherheit Berlin Megatrends verändern das Arbeitsumfeld für Analysten (1/2)
Mehrifp Der DGPF-Test zur Evaluierung digitaler Luftbildkameras Überblick und Testdesign Institut für Photogrammetrie Michael Cramer
Institut für Photogrammetrie Der DGPF-Test zur Evaluierung digitaler Luftbildkameras Überblick und Testdesign Michael Cramer 3-Länder-Tagung TU Wien 1./2. Juli 2010 www..uni-stuttgart.de/dgpf Zielsetzungen
MehrBachelorarbeit Erkennung von Fließtext in PDF-Dokumenten
Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten 16.08.2016 David Spisla Albert Ludwigs Universität Freiburg Technische Fakultät Institut für Informatik Gliederung Motivation Schwierigkeiten bei
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
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
MehrWas bisher geschah Modellierung in Logiken: klassische Prädikatenlogik FOL(Σ, X) Spezialfall klassische Aussagenlogik AL(P)
Was bisher geschah Modellierung in Logiken: klassische Prädikatenlogik FOL(Σ, X) Spezialfall klassische Aussagenlogik AL(P) Syntax Semantik Signatur, Variablen Terme (induktive Definition, Baumform) Atome
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
MehrSmartphones. Sie verraten mehr, als man erwartet. Frederik Armknecht. Frederik Armknecht 1
Smartphones Sie verraten mehr, als man erwartet Frederik Armknecht Frederik Armknecht 1 Agenda Sicherheitsrisiko Smartphone Sensoren in Smartphones Angriffe Neue Sicherheitslösungen Fazit Frederik Armknecht
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
MehrLineare Methoden zur Klassifizierung
Lineare Methoden zur Klassifizierung Kapitel 3 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität
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
MehrConservative Volumetric Visibility with Occluder Fusion
Conservative Volumetric Visibility with Occluder Fusion Worum geht es? Ausgangspunkt komplexe Szene, wie Städte, Straßenzüge, etc. Ziel effiziente Berechnung von nicht sichtbaren Regionen Begriffe / Definitionen
MehrSelbstlernende Systeme zur Erkennung unbekannter Angriffe
Selbstlernende Systeme zur Erkennung unbekannter Angriffe Konrad Rieck und Pavel Laskov Fraunhofer-Institut FIRST Abt. Intelligente Datenanalyse 31.8.2007, Mannheim IDA im Profil Fraunhofer FIRST & TU-Berlin
MehrAutomatisation in der urbanen Geodatenerfassung Zwei aktuelle Beispiele aus der Fernerkundungspraxis
Automatisation in der urbanen Geodatenerfassung Zwei aktuelle Beispiele aus der Fernerkundungspraxis Geotag Münsterland 15.05.2013 Heiner Rößmann E F T A S Fernerkundung Technologietransfer GmbH Oststraße
MehrInhalte. Photogram. Aufnahmesysteme. HS BO Lab. für Photogrammetrie: Digitalisierung analoger Bilder 1
Inhalte Photogram. Aufnahmesysteme Metrische Kameras (Definition der Inneren Orientierung) Analoge Messkameras Fotografische Aspekte Digitalisierung analoger Bilder Digitale Aufnahmesysteme (Messkameras)
Mehrauf einer Suche basierender problemlösender Agent (Kapitel 3) logischer Planungsagent (Kapitel 10)
11 Planen Zentrale Fragestellung: Wie kann ein Agent die Struktur eines Problems nutzen, um komplexe Aktionspläne zu konstruieren? Bisher zwei Beispiele für planende Agenten: auf einer Suche basierender
MehrINFRA BirdView. Luftbild-basierte dreidimensionale Infrastrukturerfassung und -abbildung
INFRA BirdView Luftbild-basierte dreidimensionale Infrastrukturerfassung und -abbildung Agenda Ausgangslage & Motivation Voruntersuchungen Projektziel Vorgängige Tests Prozess Tests Erste Resultate 2 Ausgangslage
MehrEinführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
MehrUnterstützung des hochautomatisierten Fahrens durch ein Backend Überblick und Motivation
Unterstützung des hochautomatisierten Fahrens durch ein Backend Überblick und Motivation Dr.-Ing. Lukas Klejnowski Robert Bosch GmbH Agenda Einleitung: Aufgaben des Safety Servers Was ist eine HAF-Karte?
MehrMultivariate Pattern Analysis. Jan Mehnert, Christoph Korn
Multivariate Pattern Analysis Jan Mehnert, Christoph Korn Übersicht 1. Motivation 2. Features 3. Klassifizierung 4. Statistik 5. Annahmen & Design 6. Similarity 7. Beispiel Grenzen & Probleme der klassischen
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrWie Maschinen lernen, 3D-Stadtmodelle zu erzeugen Aktuelle Entwicklungen und zukünftige Potentiale
Wie Maschinen lernen, 3D-Stadtmodelle zu erzeugen Aktuelle Entwicklungen und zukünftige Potentiale Prof. Dr.-Ing. Martin Kada Institut für Geodäsie und Geoinformationstechnik Das Berlin 3D Projekt Berlin
MehrLearning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation. Yupeng Guo
Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation Yupeng Guo 1 Agenda Introduction RNN Encoder-Decoder - Recurrent Neural Networks - RNN Encoder Decoder - Hidden
MehrRobust Named Entity Recognition (NER) in Idiosyncratic Domains. Eine automatische Identifikation und Klassifikation von Eigennamen
Robust Named Entity Recognition (NER) in Idiosyncratic Domains Eine automatische Identifikation und Klassifikation von Eigennamen Gliederung 1 Einführung 2 Ein neues Neuronales Netzwerk 3 Datexis 4 Evaluation
MehrMaschinelles Lernen in der Medizintechnik
Maschinelles Lernen in der Medizintechnik Was ist möglich? ASTRUM IT GmbH Am Wolfsmantel 2 91058 Erlangen Dr. Jan Paulus Tel.: +49 9131 9408 339 jan.paulus@astrum-it.de Dr. Matthias Weidler Tel.: +49 9131
MehrOPT Optimierende Clusteranalyse
Universität Augsburg Fakultät für angewandte Informatik Lehrstuhl für Physische Geographie und Quantitative Methoden Übung zum Projektseminar: Wetterlagen und Feinstaub Leitung: Dr. Christoph Beck Referentin:
MehrBring your own Schufa!
Bring your own Schufa! Jan Schweda Senior Softwareengineer Web & Cloud jan.schweda@conplement.de @jschweda Ziele des Vortrags Die Möglichkeiten von maschinellem Lernen aufzeigen. Azure Machine Learning
MehrImmersion durch Audioimplementation. Verena M. Rathgeber am
Immersion durch Audioimplementation Verena M. Rathgeber am 05.06.2014 Agenda Definition Warum eigentlich? Paper 1: Musikwiedergabe mittels WFS Paper 2: Viking Ghost Hunt Paper 3: WFS und Multi-Viewer Stereo
MehrALS Klassifizierung mit Submanifold Sparse Convolutional Networks
Dreiländertagung der DGPF, der OVG und der SGPF in Wien, Österreich Publikationen der DGPF, Band 28, 2019 ALS Klassifizierung mit Submanifold Sparse Convolutional Networks STEFAN SCHMOHL 1 & UWE SÖRGEL
MehrInhaltsadaption von Bilder
Inhaltsadaption von Bilder Anwendungsgebiete und Verfahren für mobile Endgeräte mit kleinen Displays Universität Mannheim Lehrstuhl für Praktische Informatik IV Wintersemester 05/06 vschan@rumms.uni-mannheim.de
MehrLinienbasiertes Matching von 3D-Gebäudemodellen mit IR Luftbildsequenzen zur automatischen Texturgewinnung
Linienbasiertes Matching von 3D-Gebäudemodellen mit IR Luftbildsequenzen zur automatischen Texturgewinnung DOROTA IWASZCZUK, LUDWIG HOEGNER, MICHAEL SCHMITT & UWE STILLA Zusammenfassung: Wärmetexturen,
MehrBevor wir richtig anfangen... 8
Statistik macchiato Inhalt Vorwort Bevor wir richtig anfangen... 8 Beschreibung von Daten Ordnung ist das halbe Leben... 16 Häufigkeitstabellen... 19 Häufigkeitsverteilungen... 19 Mittelwert (arithmetisches
Mehrifp Mobile Mapping und Urban Modelling Möglichkeiten der photogrammetrischen Datenerfassung Institut für Photogrammetrie Prof. Dr.
Mobile Mapping Muttenz Institut für Photogrammetrie Mobile Mapping und Urban Modelling Möglichkeiten der photogrammetrischen Datenerfassung Prof. Dr. Norbert Haala Fachtagung Mobile Mapping Muttenz, 19.
MehrGeo-Monitoring in der Zukunft. Andreas Wieser Institut für Geodäsie und Photogrammetrie, ETH Zürich
Geo-Monitoring in der Zukunft Andreas Wieser Institut für Geodäsie und Photogrammetrie, ETH Zürich Registrierte Felssturzereignisse in Österreich Quelle: Sass O, Oberlechner M (2012) Is climate change
MehrRekurrente / rückgekoppelte neuronale Netzwerke
Rekurrente / rückgekoppelte neuronale Netzwerke Forschungsseminar Deep Learning 2018 Universität Leipzig 12.01.2018 Vortragender: Andreas Haselhuhn Neuronale Netzwerke Neuron besteht aus: Eingängen Summenfunktion
MehrBewegungsplanung für den vierbeinigen Roboter AMEE. Björn Bettzüche
Bewegungsplanung für den vierbeinigen Roboter AMEE Einleitung Vergleichbare Arbeiten Zusammenfassung Referenzen Projekt AMEE SAR 4 intelligente Beine SLAM Sicheres Navigieren 4 [5] 5 Bildbasiert zu ungenau
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
MehrAutomatische Texturierung von 3D Stadtmodellen in der Anwendung
Automatische Texturierung von 3D Stadtmodellen in der Anwendung GERALD FORKERT 1 & MARTIN KERSCHNER 1 Zusammenfassung: In unserem Beitrag stellen wir das in der CityGRID Software implementierte Verfahren
MehrAdaptive Tutorsysteme
Adaptive Tutorsysteme Definitionen: Adaptierbare Systeme bieten Konfigurationsmöglichkeiten, so dass der Benutzer das System sich an seine Bedürfnisse anpassen kann. Vorteil: Einfach zu implementieren
MehrLexikalisch-semantische Disambiguierung mit WordNet
Lexikalische Semantik Lexikalisch-semantische Disambiguierung mit WordNet Conrad Steffens Paper: Rada Mihalcea & Dan I. Moldovan: A Method for Word Sense Disambiguation of Unrestricted Text Lexikalisch-semantische
Mehr