Deep Learning für die Satellitenbildanalyse

Dauer
Ausführung
Vor Ort, Online
Startdatum und Ort

Deep Learning für die Satellitenbildanalyse

GFU Cyrus AG
Logo von GFU Cyrus AG
Bewertung: starstarstarstar_halfstar_border 6,9 Bildungsangebote von GFU Cyrus AG haben eine durchschnittliche Bewertung von 6,9 (aus 8 Bewertungen)

Tipp: Haben Sie Fragen? Für weitere Details einfach auf "Kostenlose Informationen" klicken.

Startdaten und Startorte

placeKöln
11. Mär 2024 bis 15. Mär 2024
computer Online: Zoom
11. Mär 2024 bis 15. Mär 2024
placeKöln
24. Jun 2024 bis 28. Jun 2024
computer Online: Zoom
24. Jun 2024 bis 28. Jun 2024

Beschreibung

Schulungen der Extraklasse ✔ Durchführungsgarantie ✔ Trainer aus der Praxis ✔ Kostenfreies Storno ✔ 3=2 Kostenfreie Teilnahme für den Dritten ✔ Persönliche Lernumgebung ✔ Kleine Lerngruppen

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 Optimier…

Gesamte Beschreibung lesen

Frequently asked questions

Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!

Noch nicht den perfekten Kurs gefunden? Verwandte Themen: Deep Learning, TensorFlow, Python, Data Science und Machine Learning.

Schulungen der Extraklasse ✔ Durchführungsgarantie ✔ Trainer aus der Praxis ✔ Kostenfreies Storno ✔ 3=2 Kostenfreie Teilnahme für den Dritten ✔ Persönliche Lernumgebung ✔ Kleine Lerngruppen

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) 

Werden Sie über neue Bewertungen benachrichtigt

Es wurden noch keine Bewertungen geschrieben.

Schreiben Sie eine Bewertung

Haben Sie Erfahrung mit diesem Kurs? Schreiben Sie jetzt eine Bewertung und helfen Sie Anderen dabei die richtige Weiterbildung zu wählen. Als Dankeschön spenden wir € 1,00 an Stiftung Edukans.

Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!

Bitte füllen Sie das Formular so vollständig wie möglich aus

(optional)
(optional)
(optional)
(optional)
(optional)
(optional)
(optional)

Haben Sie noch Fragen?

(optional)

Anmeldung für Newsletter

Damit Ihnen per E-Mail oder Telefon weitergeholfen werden kann, speichern wir Ihre Daten.
Mehr Informationen dazu finden Sie in unseren Datenschutzbestimmungen.