Tiefes Transfer-Lernen in der Fernerkundung

• Antragstellerin: Professorin Dr.-Ing. Xiaoxiang Zhu
• Fachliche Zuordnung: Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 519016653

Dieses Projekt befasst sich mit dem Wissenstransfer in der Fernerkundung (RS) von einer annotationsreichen Quelldomäne zu einer annotationsarmen Zieldomäne durch die Reduktion ihrer semantischen Unterschiede (Domänenverschiebung), um Anwendungen der Zieldomäne ohne zahlreiche manuell gelabelte Daten zu ermöglichen. Ziel des Projekts ist es, ein universelles tiefes Transfer Learning (TL) Modell für Fernerkundungsdaten zu entwickeln, das als tiefes RS-TL Modell bezeichnet wird. Innerhalb dieses Modells werden wir einerseits mehrere tiefe TL-Kernalgorithmen entwickeln, um verschiedene fundamentale Herausforderungen des Wissenstransfers in der Fernerkundung zu bewältigen, einschließlich Quell-Ziel-Anpassung, multitemporale Anpassung, Multiquellenanpassung, Multiskalenanpassung, räumlich-spektrale Anpassung, aufgabenübergreifendes TL, modalitätsübergreifendes TL zwischen Quelle und Ziel. Andererseits werden wir eine intelligente Software für die Annotation von RS-Bildern entwickeln, die alle entwickelten Algorithmen mit einbezieht, um eine flexible, persönliche und intelligente Annotation für eine effizientere Sammlung von Labels zu erreichen. Im Ergebnis wird das zu erwartende tiefe RS-TL-Modell die praktischen Anwendungen des maschinellen Lernens in der Fernerkundung erheblich erleichtern, indem es die starke Abhängigkeit von manuell gelabelten Daten verringert.

• DFG-Verfahren: Sachbeihilfen