Login
- Originaltitel:
- Deep Learning for Aerial Scene Understanding in High Resolution Remote Sensing Imagery from the Lab to the Wild
- Übersetzter Titel:
- Deep Learning für das Verständnis von Luftaufnahmen in hochauflösenden Fernerkundungsbildern vom Labor bis in die Wildnis
- Autor:
- Hua, Yuansheng
- Jahr:
- 2022
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Engineering and Design
- Betreuer:
- Zhu, Xiao Xiang (Prof. Dr. habil.)
- Gutachter:
- Zhu, Xiao Xiang (Prof. Dr. habil.); Mou, Lichao (Prof. Dr.); Lefèvre, Sébastien (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- BAU Bauingenieurwesen, Vermessungswesen; GEO Geowissenschaften
- TU-Systematik:
- BAU 967; MSR 915
- Kurzfassung:
- This thesis presents the application of deep learning in aerial scene understanding, e.g., aerial scene recognition, multi-label object classification, and semantic segmentation. Except for training deep networks under the laboratory circumstance, this thesis also provides learning strategies for practical scenarios, e.g., data are collected without constraints or annotations are scarce.
- Übersetzte Kurzfassung:
- Diese Arbeit präsentiert die Anwendung von Deep Learning beim Verständnis von Luftszenen, z. B. Luftszenenerkennung, Multi-Label-Objektklassifizierung und semantische Segmentierung. Abgesehen vom Training tiefer Netzwerke unter Laborbedingungen bietet diese Arbeit auch Lernstrategien für praktische Szenarien, z. B. werden Daten ohne Einschränkungen gesammelt oder Annotationen sind knapp.
- WWW:
- https://mediatum.ub.tum.de/?id=1638090
- Eingereicht am:
- 05.01.2022
- Mündliche Prüfung:
- 23.06.2022
- Dateigröße:
- 88267382 bytes
- Seiten:
- 214
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220623-1638090-1-3
- Letzte Änderung:
- 04.08.2022
BibTeX