In jüngster Zeit werden zunehmend maschinelle Lernmethoden - insbesondere Deep Convolutional Neural Networks (CNNs) zur automatischen Objektdetektion mit Fernerkundungsbildern untersucht und u.a. angewendet, um Gebäude, Straßennetze usw. zu finden. Um ein genaues Vorhersagemodell für eine Zieldomäne, d.h. ein konkretes Gebiet, zu erlernen beruhen diese Verfahren gewöhnlich auf einer großen Menge markierter Bilder. Gerade in ländlichen oder unentwickelten Orte gibt es normalerweise keine existierenden markierten Bildsätze. In aktuellen Arbeiten am HeiGIT (Heidelberg Institut for Geoinformation Technology) extrahieren wir Trainingsmarken (d. H. Supervisionswissen) aus OSM und integrieren zusätzlich VGI von der humanitären Anwendung MapSwipe, sowie einige manuell gelabelte Trainingsdaten, um so die gesamte Zieldomäne mit einer höheren Vorhersagegenauigkeit abzudecken. Zu diesem Zweck wird ein Deep Learning Framework namens AT-CNN vorgeschlagen, bei dem die von Deep Convolutional Neural Networks erfassten Fernerkundungsbildmerkmale aktiv von einer Quelldomäne zu einer Zieldomäne übertragen werden. Es kann das Wissen der verschiedenen Datenquellen für ein allgemeineres Vorhersagemodell verschmelzen, und ist so in der Lage, verschiedene Arten von Gebäuden in städtischen und ländlichen Gebieten gut zu detektieren.

http://www.geog.uni-heidelberg.de/gis/deepvgi.html

FOSSGIS 2017 Passau Lighning Talk 23.03.2017