TUM School of Computation, Information and Technology
Institution:
Informatik 9 - Professur für Dynamic Vision and Learning (N.N.)
Betreuer:
Leal-Taixé, Laura (Prof. Dr.)
Gutachter:
Leal-Taixé, Laura (Prof. Dr.); Tuia, Devis (Prof. Dr.); Rußwurm, Marc (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 706; DAT 770; DAT 708
Kurzfassung:
This thesis contributes to advancing geospatial machine learning by developing novel deep learning methods. We tackle three key applications: geo-localization, semantic segmentation, and change detection. We explore generative models and the fresh perspective they provide for geo-localization and aerial semantic segmentation. Further, to overcome the limited temporal detail in current datasets for land use analysis, we introduce DynamicEarthnet, a unique, large-scale benchmark.
Übersetzte Kurzfassung:
Diese Dissertation trägt zur Weiterentwicklung des geospatialen maschinellen Lernens durch neuartige Deep-Learning-Methoden bei. Wir behandeln drei Schlüsselanwendungen: Geo-Localization, Semantic Segmentatio, Change Detection. Wir untersuchen generative Modelle sowie die neue Perspektive, die sie für diese Anwendungen eröffnen. Des Weiteren stellen wir, um die geringe zeitliche Auflösung in Datensätzen für die Landnutzungsanalyse zu überwinden, DynamicEarthnet vor, ein großskaliges Benchmark.