Beschreibung
Die Erdoberfläche unterliegt aufgrund natürlicher Phänomene oder menschlicher Eingriffe ständigen Veränderungen. Der Prozess der Identifizierung dieser Veränderungen wird als „Change Detection“ (CD) bezeichnet und ist ein zentrales Problem in den Bereichen Umwelt- und Katastrophenüberwachung, der Stadtplanung/-entwicklung und Landbedeckung.Im Bereich der Geoinformatik ist die Arbeit mit zweidimensionalen (2D) Daten aufgrund ihrer zugrunde liegenden, gut organisierten rasterbasierten Struktur sehr beliebt. Rasterdaten haben jedoch erhebliche Nachteile für die objektbasierte Erkennung von Veränderungen. Die Objekterkennung unterliegt aufgrund von perspektivischen und atmosphärischen Effekten in der Regel Unsicherheiten. Ein weiterer Nachteil der 2D-Änderungserkennung ist die fehlende Möglichkeit, Höhenänderungen zu erkennen, da 2D-Daten keine direkten Höhenangaben beinhalten. Gleichzeitig sind Studien zur Verwendung von Deep Learning für Aufgaben im Kontext der Change Detection, die auch die dritte räumliche Dimension berücksichtigen, noch nicht ausreichend erforscht. Daher sind auch die inneren Abläufe von Systemen, die Objekte in Luft- und Satellitenbildern segmentieren können, noch nicht klar. Hier kommt die Erklärbarkeit von KI-Systemen (Explainable AI, XAI) ins Spiel.
Diese Dissertation zielt darauf ab, die Lücke zwischen Aufgaben der objektbasierten Erkennung mit zwei- und dreidimensionalen Daten zu schließen und die Funktionsweise von Systemen sowie den Grad der Nutzung dreidimensionaler Daten für Segmentierungsaufgaben zu erklären.
| Zeitraum | 3 Feb. 2021 → … |
|---|