Deep Learning für die Satellitenbildanalyse

Seminarziel

Der Deep-Learning-Kurs behandelt die Grundlagen der Anwendung des maschinellen Lernens auf die Satellitenbildanalyse. Die Teilnehmer beginnen mit der grundlegenden Regressionsanalyse und gehen dann zu neuronalen Netzen, CNNs und U-Net für die Gebäudeextraktion und Landbedeckungskartierung über. 

Dieser Kurs bietet einen umfassenden Überblick über verschiedene Deep-Learning-Techniken zur Analyse von Satelliten- und Luftbildern einschließlich Architekturen, Modellen und Algorithmen für Aufgaben wie Klassifizierung, Segmentierung und Objekterkennung. 

Inhalt

• 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)
    
    

Der Schwerpunkt des Seminars liegt auf der Durchführung von Übungen. In den folgenden Modulen werden die Programme (Python) auf Basis TensorFlow bzw. PyTorch entwickelt:

• 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)