Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Deep learning-based vessel detection from very high and medium resolution optical satellite images as component of maritime surveillance systems
This thesis presents an end-to-end multiclass vessel detection method from optical satellite images. The proposed workflow covers the complete processing chain and involves rapid image enhancement techniques, the fusion with automatic identification system (AIS) data, and the detection algorithm based on convolutional neural networks (CNN). The algorithms presented are implemented in the form of independent software processors and integrated in an automated processing chain as part of the Earth Observation Maritime Surveillance System (EO-MARISS).
In der vorliegenden Arbeit wird eine Methode zur Detektion von Schiffen unterschiedlicher Klassen in optischen Satellitenbildern vorgestellt. Diese gliedert sich in drei aufeinanderfolgende Funktionen: i) die Bildbearbeitung zur Verbesserung der Bildeigenschaften, ii) die Datenfusion mit den Daten des Automatischen Identifikation Systems (AIS) und iii) dem auf „Convolutional Neural Network“ (CNN) basierenden Detektionsalgorithmus. Die vorgestellten Algorithmen wurden in Form eigenständiger Softwareprozessoren implementiert und als Teil des maritimen Erdbeobachtungssystems integriert.
Deep learning-based vessel detection from very high and medium resolution optical satellite images as component of maritime surveillance systems
This thesis presents an end-to-end multiclass vessel detection method from optical satellite images. The proposed workflow covers the complete processing chain and involves rapid image enhancement techniques, the fusion with automatic identification system (AIS) data, and the detection algorithm based on convolutional neural networks (CNN). The algorithms presented are implemented in the form of independent software processors and integrated in an automated processing chain as part of the Earth Observation Maritime Surveillance System (EO-MARISS).
In der vorliegenden Arbeit wird eine Methode zur Detektion von Schiffen unterschiedlicher Klassen in optischen Satellitenbildern vorgestellt. Diese gliedert sich in drei aufeinanderfolgende Funktionen: i) die Bildbearbeitung zur Verbesserung der Bildeigenschaften, ii) die Datenfusion mit den Daten des Automatischen Identifikation Systems (AIS) und iii) dem auf „Convolutional Neural Network“ (CNN) basierenden Detektionsalgorithmus. Die vorgestellten Algorithmen wurden in Form eigenständiger Softwareprozessoren implementiert und als Teil des maritimen Erdbeobachtungssystems integriert.
Deep learning-based vessel detection from very high and medium resolution optical satellite images as component of maritime surveillance systems
Voinov, Sergey (Autor:in) / Bill, Ralf (Akademische:r Betreuer:in) / Heymann, Frank (Akademische:r Betreuer:in) / Reinartz, Peter (Akademische:r Betreuer:in) / Universität Rostock (Grad-verleihende Institution) / Universität Rostock, Agrar- und Umweltwissenschaftliche Fakultät (Grad-verleihende Institution)
2020
1 Online-Ressource
GutachterInnen: Ralf Bill (Universität Rostock, Agrar- und Umweltwissenschaftliche Fakultät, Geodäsie und Geoinformatik) ; Frank Heymann (Deutsches Zentrum für Luft- und Raumfahrt (DLR), Institut für Solar-Terrestrische Physik) ; Peter Reinartz (Deutsches Zentrum für Luft- und Raumfahrt (DLR), Institut für Methodik der Fernerkundung, Photogrammetrie und Bildanalyse)
Hochschulschrift
Elektronische Ressource
Englisch
Learning selfhood scales for urban land cover mapping with very-high-resolution satellite images
| Online Contents | 2016