Satellite Computer Vision mit Keras und TensorFlow – Best Practices und Beispiele aus der Forschung
Im Forschungsfeld des Maschinellen Lernens werden zunehmend leicht zugängliche Framework wie Keras, Tensorflow oder Pytorch verwendet. Hierdurch ist ein Austausch und die Wiederverwendung bestehender (trainierter) neuronaler Netze möglich.
Wir am Institut für Photogrammetrie und Fernerkundung (IPF) des Karlsruher Institut für Technologie (KIT) beschäftigen uns unter anderem mit der Analyse von optischen Satellitendaten. Satellitenprogramme wie Sentinel-2 von Copernicus liefern wöchentliche, weltweite und dabei frei zugängliche multispektrale Bilder, die eine Vielzahl neuartiger Anwendungen ermöglichen. Wir nehmen das zum Anlass, eine interaktive Einführung in die Auswertung dieser Satellitendaten mit Learnings aus unserer täglichen Forschung zu geben. Wir sprechen unter anderem über die folgenden Themen:
* Einfacher Umgang mit georeferenzierten Bilddaten
* Einführung in Learning-From-Scratch und Transfer Learning mit Keras
* Anpassung von fertigen Netzen an neue Eingangsdaten (RGB → multispektral)
* Anschauliche Interpretation von Klassifikationsergebnissen
* Best Practices aus unserer Forschung, die die Arbeit mit Neuronalen Netzen wesentlich vereinfachen und beschleunigen
* Code und Daten für die ersten Schritte mit CNNs mit Keras in Python, welche in einem GitHub Repository zur Verfügung gestellt werden
Vorkenntnisse
* Für den Vortrag: Einfaches theoretisches Verständnis von Machine-Learning-Konzepten
* Für die Beispiele: Grundlegende Python-Kenntnisse
Lernziele
* Einblick erhalten in die Forschung der Satellitenfernerkundung am KIT
* Den Unterschied zwischen Learning-from-Scratch und Transfer Learning verstehen
* Einfache Anwendungen mit CNNs in Keras umsetzen anhand des bereitgestellten Codes