Computergestützte Kartierung von Hyper- und Multispektraldaten

• Antragsteller: Professor Dr.-Ing. Gernot A. Fink; Professor Dr. Christian Wöhler
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2015 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 269661170

• Erstellungsjahr: 2023

Zusammenfassung der Projektergebnisse

Das Projekt hatte zum Ziel, extraterrestrische Oberflächen mithilfe von Multi- und Hyperspektraldaten computergestützt zu kartieren. Durch die Klassifikation und schwachüberwachte semantische Segmentierung verschiedener Oberflächenspektren konnten Regionen basierend auf unterschiedlichen Eigenschaften gruppiert werden. Die entwickelten Methoden wurden qualitativ und quantitativ evaluiert und zeigten vielversprechende Ergebnisse. Dabei lag der Hauptfokus auf der Untersuchung von extraterrestrischen Oberflächen, insbesondere des Marses und des Mondes, aber auch der Erde. Durch die automatische Klassifikation und Kartierung konnten wichtige Informationen über geologische Strukturen, sowie Landnutzung und -bedeckung gewonnen werden. Dies kann zur geologischen Kartierung von ganzen Planeten verwendet werden und die Suche nach interessanten Landeplätzen enorm beschleunigen, sowie vergleichbare geologische Strukturen auf der Planetenoberfläche zurückgeben. Auf der Erde können die Methoden verwendet werden um Landnutzungsklassen großflächig zu kartieren, mit lediglich minimalen Annotationen. Die entwickelten selbstüberwachten Methoden können genutzt werden um saisonale Effekte für verschiedenste Objekte zu beobachten. Dies kann z.B. bei der Beobachtung langfristiger Klimaveränderungen behilflich sein. Die Ergebnisse des Projekts führten auch zu weiteren Anwendungen und Erkenntnissen in der Fernerkundung des Mondes. So konnte durch eine automatisierte Kratererkennung in Kombination mit einem Diffusionsmodell gezeigt werden, dass spezielle vulkanische Strukturen der Mond-Oberfläche wahrscheinlich deutlich jünger sind als bisher vermutet. Desweiteren wurden mehrere Datensätze veröffentlicht, welche dabei helfen sollen, sowohl geologische Strukturen, Landnutzungsklassen der Erde und saisonale Effekte zu verstehen, als auch die Vergleichbarkeit von entwickelten Methoden zu fördern. Insgesamt tragen die Ergebnisse dieses Projekts dazu bei, das Verständnis und die Erforschung planetarer Oberflächen zu verbessern, neue Methoden des maschinellen Sehens zur Fernerkundung zu entwickeln und praktische Anwendungen in dieser zu unterstützen.

Projektbezogene Publikationen (Auswahl)

• Unsupervised Learning of Scene Categories on the Lunar Surface. Proceedings of the 14th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, 614-621.
  Wilhelm, Thorsten; Grzeszick, Rene; Fink, Gernot & Wöhler, Christian
  
• DoMars16k: A Diverse Dataset for Weakly Supervised Geomorphologic Analysis on Mars. Remote Sensing, 12(23), 3981.
  Wilhelm, Thorsten; Geis, Melina; Püttschneider, Jens; Sievernich, Timo; Weber, Tobias; Wohlfarth, Kay & Wöhler, Christian
  
• Generation of Attributes for Highly Imbalanced Land Cover Data. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, 2616-2619.
  Kobmann, Dominik; Wilhelm, Thorsten & Fink, Gernot A.
  
• Land Cover Classification from a Mapping Perspective: Pixelwise Supervision in the Deep Learning Era. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, 2496-2499.
  Wilhelm, Thorsten & Kossmann, Dominik
  
• Towards Tackling Multi-Label Imbalances in Remote Sensing Imagery. 2020 25th International Conference on Pattern Recognition (ICPR), 5782-5789.
  Kossmann, Dominik; Wilhelm, Thorsten & Fink, Gernot A.
  
• Uncertainty Guided Recognition of Tiny Craters on the Moon. 2020 25th International Conference on Pattern Recognition (ICPR), 5198-5205.
  Wilhelm, Thorsten & Wohler, Christian
  
• Uncertainty Introduced by Darkening Agents in the Lunar Regolith: An Unmixing Perspective. Remote Sensing, 13(22), 4702.
  Hess, Marcel; Wilhelm, Thorsten; Wöhler, Christian & Wohlfarth, Kay
  
• “DoMars24k: Expanding Automated Geomorphic Analysis on Mars by Wind and Ice Shaped Landforms”. In: 52nd Lunar and Planetary Science Conference. Lunar and Planetary Science Conference. 2021, 1901, S. 1901
  T. Wilhelm; R. Nocon; S. Stepcenkov & C. Wöhler
  
• Image Augmentations in Planetary Science: Implications in Self-Supervised Learning and Weakly-Supervised Segmentation on Mars. 2022 26th International Conference on Pattern Recognition (ICPR), 2800-2806.
  Kosmann, Dominik; Matei, Arthur; Wilhelm, Thorsten & Fink, Gernot A.
  
• Learning the Link between Albedo and Reflectance: Machine Learning-Based Prediction of Hyperspectral Bands from CTX Images. Remote Sensing, 14(14), 3457.
  Stepcenkov, Sergej; Wilhelm, Thorsten & Wöhler, Christian
  
• Machine Learning on Mars: Open Challenges, Similarities and Differences to Earth Remote Sensing. IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium, 5373-5376.
  Wilhelm, Thorsten; Kobmann, Dominik & Wohler, Christian
  
• “A Tomographic View into the Layering of the Lunar Regolith”. In: LPI Contributions 2678 (2022), S. 1497
  C Wöhler; T Wilhelm; R Bugiolacchi & S Althoff