Benutzer: Gast  Login
Originaltitel:
Deep Learning for Multi-Scale Mapping of Urban Land Cover from Space 
Übersetzter Titel:
Deep Learning für die Kartierung städtischer Landbedeckung auf mehreren Skalenebenen aus dem Weltraum 
Jahr:
2020 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Luftfahrt, Raumfahrt und Geodäsie 
Betreuer:
Zhu, Xiaoxiang (Prof. Dr. habil.) 
Gutachter:
Zhu, Xiaoxiang (Prof. Dr. habil.); Schmitt, Michael (Priv.-Doz. Dr. habil.); Gamba, Paolo (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
GEO Geowissenschaften; RPL Raumplanung, Raumordnung 
TU-Systematik:
BAU 967d; MSR 915d 
Kurzfassung:
Currently, there is a high expectation in the application of machine learning methods for mapping urban land cover from space. In particular, deep learning has gained an influential role. Through investigations into the potential of deep learning, this thesis provides contributions to three aspects of urban land cover mapping on three scales: the detection of urban areas, the classification of urban land cover, and the simultaneous characterization of urban density and heterogeneity. 
Übersetzte Kurzfassung:
Gegenwärtig bestehen große Erwartungen in die Awendung von Methoden des maschinellen Lernens für die Kartierung von Stadtgebieten. Insbesondere Deep Learning hat in der jüngeren Vergangenheit eine wichtige Rolle eingenommen. Um das Potenzial moderner Deep Learning-Verfahren auszuloten, befasst sich diese Arbeit mit den folgenden drei Aspekten der Kartierung städtischer Landbedeckung auf drei Skalenebenen: der Detektion urbaner Gebiete an sich, der Klassifizierung städtischer Landbedeckung und d...    »
 
Mündliche Prüfung:
27.07.2020 
Dateigröße:
213787036 bytes 
Seiten:
187 
Letzte Änderung:
24.09.2020