Login
- Originaltitel:
- Approaching a collective place definition from street-level images using deep learning methods
- Übersetzter Titel:
- Zur kollektiven Ortsdarstellung aus Bildern auf Straßenebene mittels „Deep-Learning“-Modellen
- Autor:
- Lyu, Hao
- Jahr:
- 2019
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- Ingenieurfakultät Bau Geo Umwelt
- Betreuer:
- Meng, Liqiu (Prof. Dr.)
- Gutachter:
- Meng, Liqiu (Prof. Dr.); Kainz, Wolfgang (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- GEO Geowissenschaften
- TU-Systematik:
- BAU 950d
- Kurzfassung:
- This work addresses the challenge of understanding a place in GIScience by investigating visual and spatial (semantic) property in voluntarily collected images with deep learning methods. Two place representations are proposed to unify these properties in a probabilistic perspective of understanding places. The proposed computational models which are based on comparative learning and variational autoencoder are proved to be able to learn the probabilistic place representations from image data.
- Übersetzte Kurzfassung:
- Die vorliegende Arbeit adressiert die Herausforderung, mit „Deep-Learning“-Modellen die ortsbeschreibenden visuellen und räumlichen (semantischen) Eigenschaften zu erkennen. Zwei Ortsdarstellungen werden zur Vereinigung dieser Eigenschaften in Wahrscheinlichkeitsformen vorgeschlagen. Die entwickelten Rechenmodelle basieren auf dem komparativen Lernen und Variationsautokodierer. Sie können die probabilistischen Ortsdarstellungen aus Bilddaten lernen.
- WWW:
- https://mediatum.ub.tum.de/?id=1464609
- Eingereicht am:
- 05.12.2018
- Mündliche Prüfung:
- 26.02.2019
- Dateigröße:
- 66807359 bytes
- Seiten:
- 150
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20190226-1464609-1-4
- Letzte Änderung:
- 06.05.2019
BibTeX