Beschreibung
Deep Learning für die Satellitenbildanalyse
Deep Learning hat die Art und Weise, wie Satelliten- und Luftbilder analysiert und interpretiert werden, verändert. Aufgrund der zunehmenden Verfügbarkeit großer kommentierter Datensätze, effizienter Trainingsstrategien und leistungsfähiger Computerhardware wurden in letzter Zeit verschiedene Deep-Learning-basierte Lösungen für eine Vielzahl von Anwendungen entwickelt, darunter auch für die Interpretation von Fernerkundungsbildern.Im Gegensatz zu herkömmlichen Methoden, die sich auf handgefertigte Merkmale stützen, ermöglichen Deep-Learning-Methoden die Erfassung von Wissen direkt aus den Daten und extrahieren somit viel abstraktere und semantische Merkmale mit besserer Darstellungsfähigkeit. Aufgrund der überzeugenden Vorteile von tiefen neuronalen Netzen hat Deep Learning eine attraktive Ära für das Remote Sensing eröffnet und stößt auf immer größeres Interesse.
Der Kurs beginnt mit einer Auffrischung der Kenntnisse über maschinelles Lernen. Anschließend werden die Konzepte von Deep Learning (DL) und Convolutional Neural Networks (CNNs) vorgestellt. Das Spektrum der Themen deckt die wichtigsten Anwendungen von Deep Learning ab, kombiniert mit realistischen Anwendungsfällen und Datensätzen.
Kommende Starttermine
Wählen Sie aus 7 verfügbaren Startterminen
Inhalte / Module
- Künstliche Neuronale Netze (ANN)
- Backpropagation, Regularisierung
- Stochastischer Gradientenabstieg, verschiedene Optimierer
- Verschiedene Loss-Funktionen
- Initialisierung der Gewichte
- Epoche und Batch-Size
- Callbacks, Early Stopping
- Faltungsneuronale Netze (CNNs)
- Max Pooling, CNN Architekturen
- Padding und Stride
- Filter und Faltungsschichten
- Programmtechnische Umsetzung mit PyTorch und TensorFlow
- Transfer Learning und vortrainierte Netze
- Moderne Convolutional Netzwerke
- VGG16, VGG19, U-Net, ResNet50
- Klassifizierung von Bildern
- Softmax-Layer, Cross-Entropy Loss
- Detektion von Objekten durch Bounding Boxes (YOLO, Fast-RCNN, ....)
- Netzwerk mit zwei verschiedenen Outputs
- Mean-Squared-Error und Cross-Entropy Loss
- Trainingsgüte: Intersection over Union (IoU)
- Semantische Segmentierung (pixelweises Klassifizieren)
- Cross-Entropy Loss für Multiclass Segmentierung
- mean IoU in der semantischen Segmentierung
- Vorstellung bekannter Netzwerkarchitekturen: U-Net, ResNet50
- Up-Convolution und Transpose Convolution
- UNet, PSPNet, DeepLab, PAN, UNet++,
- Hyperparameter-Optimierung
- Training mit wenig Daten
- Erweiterung des Training-Datensatzes durch Data Augmentation
- Umsetzung in Keras
- Fine-Tuning
- Weitere bekannte Netzwerkarchitekturen: Inception-V3, ResNet,
- Code von (bereits trainierten) Netzwerken finden
- Verwendung von vortrainierten Netzwerken sowie nachtrainieren (Fine-Tuning)
- Übung 1: Erstellung von Deep Learning-Trainingsdatensätzen
- Übung 2: Bildklassifizierung (z. B. Flüsse, Wald, Straßen,...)
- Übung 3: Landnutzung und Bodenbedeckung mit Hilfe von hyperspektralen Satellitenbildern
- Übung 4: Objekterkennung (z. B. Schwimmbäder, Autos, Flugzeuge...)
- Übung 5: Bildsegmentierung einzelner Klassen (z.B. Gebäudeerkennung...)
- Übung 6: Bildsegmentierung mehrerer Klassen (z.B. Landnutzung / Landbedeckung)
Zielgruppe / Voraussetzungen
Hinweis: Dieser Kurs richtet sich an Mitarbeitende aus Unternehmen und Institutionen.
Für Privatpersonen ist dieser Kurs leider nicht geeignet.
Eine Informationsanfrage zu diesem Kurs ist nur für Beteiligte aus dem B2B-Bereich sinnvoll.
Abschlussqualifikation / Zertifikat
Infos anfordern
GFU Cyrus AG
Erweitern Sie Ihre IT-Skills mit einem offenen IT-Training oder ganz nach Ihren Bedürfnissen durch eine individuelle IT-Schulung. Programmiersprachen (C#, Python, Java, …), Microsoft Office 365, Anforderungsmanagement, Projektmanagement, Business Intelligence, Data Science, Künstliche Intelligenz, IT-Sicherheit , Administration & Datenbanken, Softwareentwicklung, Testmanagement...
Erfahren Sie mehr über GFU Cyrus AG und weitere Kurse des Anbieters.
Anzeige