Transfer-Lernen für hierarchische Conditional Random Fields zur Klassifikation von Luft- und Satellitenbildern von urbanen Gebieten

• Antragsteller: Professor Dr.-Ing. Christian Heipke
• Fachliche Zuordnung: Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
• Förderung: Förderung von 2013 bis 2017
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 246463617

Das Ziel des beantragten Projekts ist die Entwicklung einer neuen Methodik zur überwachten kontextbasierten Klassifikation von Luft- und hochaufgelösten Satellitenbildern von urbanen Gebieten. Kernpunkt ist die Erarbeitung und Nutzung von Methoden des Transfer-Lernens für das Training der Parameter des Klassifikationsmodells, um den Umfang der für das Lernen der Parameter eines solchen Modells benötigten Trainingsdaten zu reduzieren. Um Kontext auch über weitere Distanzen als Standardverfahren modellieren zu können, wird ein hierarchischer Ansatz vorgeschlagen. Die Klassifikation setzt auf einem digitalen Oberflächenmodell und einem True Orthophoto auf, wobei Conditional Random Fields (CRF) den mathematischen Rahmen liefern. Es hat sich in der Vergan¬genheit herausgestellt, dass einfache Modelle für jene Komponenten von CRF, welche den lokalen Kontext beschreiben, zu einer zu starken Glättung des Ergebnisses führen. Komplexere Modelle führen zu besseren Ergebnissen, benötigen jedoch Trainingsdaten in einem wesentlich größeren Umfang. Außerdem haben CRF bekanntermaßen Probleme, Interaktionen zwischen entfernten Objekten in einer Szene zu modellieren. Hier setzt das vorgeschlagene Projekt an: Es soll ein neues CRF-Modell entwickelt werden, für welches komplexere Kontextmodelle herangezogen werden als in vergleichbaren Verfahren. Um den zum Lernen der Parameter dieser Modelle benötigen Umfang an Trainingsdaten zu vermindern, werden solche Modelle entwickelt, die sich für das Transfer-Lernen eignen, sodass Trainingsdaten, welche zu einem anderen Zeitpunkt und/oder an einem anderen Ort erhoben wurden, auf eine neu zu klassifizierende Szene übertragen werden. Das vorgeschlagene Projekt stellt die erste Anwendung des Prinzips des Transfer-Lernens im Kontext von graphenbasierten Klassifikationsverfahren in der Bildanalyse dar. Um auch Abhängigkeiten über größere Distanzen bei handhabbarem Rechenaufwand modellieren zu können, wird der Skalenraum explizit in einem hierarchischen Modell berücksichtigt. Die Methodik wird anhand realer Daten durch Vergleich mit manuell erhobenen Referenzdaten bewertet. Die entwickelten Verfahren, welche unterschiedliche Aspekte des Transfer-Lernens behandeln, werden ausgetauscht und verglichen.

• DFG-Verfahren: Sachbeihilfen
• Beteiligte Person: Professor Dr.-Ing. Franz Rottensteiner