Wir entwickeln individuelle Erdbeobachtungslösungen auf Grundlage von KI-Modellen, beteiligen uns aktiv an KI-Forschung zur Erdbeobachtung und halten regelmäßig Vorträge zu diesem Thema.
Sprechen Sie mit Machine Learning Researcher Dr. Jan Macdonald über Ihre Erdbeobachtungsprojekte.
Pretraining von KI-Modellen für die Erdbeobachtung: Transfer-Lernen und Meta-Lernen
Jan Macdonald (PhD)
31st May 2024
Beim Pretraining wird ein KI-Modell auf einem großen Datensatz trainiert, um allgemeine Merkmale zu erlernen, die dann für spezifische Aufgaben mit kleineren Datensätzen verfeinert werden können. Dadurch verringert sich die Notwendigkeit, für jeden neuen Anwendungsfall zeitintensive Datensätze zu beschaffen und zu trainieren, was die Kosten der Anwendungsentwicklung senkt. Während vortrainierte Modelle in der Bildverarbeitung und der Verarbeitung natürlicher Sprache weit verbreitet sind, werden sie für Satellitendaten und Erdbeobachtungsanwendungen nur in begrenztem Umfang eingesetzt. Unsere Untersuchung konzentriert sich auf den Vergleich der Fähigkeiten von Transfer-Learning- und Meta-Learning-Ansätzen für das Pretraining von KI-Modellen für Erdbeobachtungsaufgaben, insbesondere für die Klassifizierung von Kulturpflanzen und deren Potenzial, Erkenntnisse über verschiedene geografische Regionen hinweg zu verallgemeinern.
dida talks
William Clemens (PhD)
Erkennung von konvektiven Wolken in Satellitendaten
William Clemens (PhD)
26th February 2020
Die Erkennung konvektiver Wolken ist für die Wettervorhersage und Klimastudien von entscheidender Bedeutung. Dr. William Clemens, Wissenschaftler für maschinelles Lernen bei dida, nutzt bei seiner Arbeit Convolutional Neural Networks (CNNs), um zu diesem Zweck geostationäre Satellitendaten zu analysieren. CNNs sind besonders geschickt bei der Bilderkennung und eignen sich daher für die Erkennung der komplexen Muster und Strukturen, die für konvektive Wolken charakteristisch sind. Clemens' Ansatz sieht vor, die CNNs auf großen Datensätzen von Satellitenbildern zu trainieren, die mit dem Vorhandensein von Konvektionswolken gekennzeichnet sind, so dass das Modell die Unterscheidungsmerkmale dieser Wolken erlernen kann.
dida talks
Moritz Besser
Jona Welsch
ML für Remote Sensing: Satellitendaten automatisch analysieren
Moritz Besser und
Jona Welsch
6th December 2021
Die Verfügbarkeit von Remote Sensing und insbesondere Satellitendaten ist in den letzten Jahren stark gewachsen. Gleichzeitig wird eine manuelle Auswertung dieser Informationen bei steigender Datenmenge immer ineffizienter. Moderne Machine Learning Methoden sind dafür prädestiniert diese Lücke zwischen großen verfügbaren Datenmengen und Expertenwissen zur Analyse zu schließen. Ihre Anwendung im Bereich Remote Sensing ermöglicht es Nutzern Erkenntnisse aus Satellitendaten zu ziehen und unternehmerisch zu nutzen. In unserem anstehenden Webinar geben Moritz Besser (Machine Learning Consultant) und Jona Welsch (Machine Learning Project Lead) einen Überblick über verfügbare Satellitendaten, Machine Learning Methoden zur deren automatischen Verarbeitung, sowie praktische Anwendungsfälle im Unternehmenskontext.
.png)