Login
- Originaltitel:
- Data-Driven Feature Learning with Discriminative Models for Satellite Time Series
- Übersetzter Titel:
- Datengetriebenes Lernen von Merkmalen mit Diskriminativen Modellen für Satelliten Zeitreihen
- Autor:
- Rußwurm, Marc
- Jahr:
- 2022
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Engineering and Design
- Betreuer:
- Körner, Marco (Priv.Doz. Dr.)
- Gutachter:
- Körner, Marco (Priv.Doz. Dr.); Bamler, Richard (Prof. Dr.); Tuia, Devis (Prof., Ph.D.)
- Sprache:
- en
- Fachgebiet:
- GEO Geowissenschaften
- Stichworte:
- Earth Observervation, Deep Learning, Machine Learning, Time Series
- Übersetzte Stichworte:
- Erdbeobachtung, Deep Learning, Maschinelles Lernen, Zeitserien
- TU-Systematik:
- BAU 967; GEO 007
- Kurzfassung:
- Machine learning enables us to learn relationships from annotated datasets. This is useful in fields where finding an explicit mathematical model is difficult. The classification of agricultural field parcels from satellite image time series is such a field where feature learning can be used to accurately predict the crop type from available satellite data. This dissertation investigated what deep learning models and learning schemes are most effective when many and few labels are available.
- Übersetzte Kurzfassung:
- Maschinelles Lernens ermöglicht es uns komplexe Zusammenhänge aus Datensätzen lernen. Dies ist nützlich, wenn man ein mathematisches Modell nur schwer formulieren kann. Für die Klassifizierung landwirtschaftlicher Felder können erfolgreich Merkmale zur genauen Vorhersage des Pflanzentyps aus verfügbaren Satellitendaten gelernt werden. In dieser Dissertation wurde untersucht, welche Deep-Learning-Modelle und -Lernschemata am effektivsten sind, wenn viele und wenige Label verfügbar sind.
- WWW:
- https://mediatum.ub.tum.de/?id=1610838
- Eingereicht am:
- 30.08.2021
- Mündliche Prüfung:
- 23.02.2022
- Dateigröße:
- 15636779 bytes
- Seiten:
- 71
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220223-1610838-1-4
- Letzte Änderung:
- 05.04.2022
BibTeX