Hintergrund

Um autonomes Fahren zu ermöglichen, werden verschiedene Ansätze verfolgt. Ein möglicher Weg ist die Verwendung von High-Definition (HD) Karten. Um den Aufwand des Kartierens zu minimieren, finden immer häufiger Deep-Learning / Künstlichen Intelligenz (KI) basierte Methoden Anwendung, um aus Luftbildern Karten zu generieren.

 

Beschreibung der Arbeit

Es kann zwischen zwei Variationen der Arbeit ausgewählt werden:

  • verschiedene Netze zur Semantischen Segmentierung sollen trainiert und gegeneinander auf Daten des ZGeoBw verglichen werden. Die Netze sollen sowohl quantitativ als auch qualitativ evaluiert werden.
  • oder: ein Netz soll aufgrund der Literaturrecherche ausgewählt und trainiert werden. Das Netz wird auf den Daten des ZGeoBw angewendet. Aus Klasseninformationen im Luftbild sollen anschließend vektorisierte Daten generiert werden.

 

Benötigte Kenntnisse

Programmieren
  • Für das Trainieren / Evaluieren / Ausführen von Neuronalen Netzen wird Python benötigt. Es muss wenig eigener Code generiert werden, aber es muss v.a. vorhandener Code verstanden und auf die neuen Daten angepasst werden, damit die Dateiformate / Klasseninformation / Bildformate zueinander passen.
  • Für eine Vorverarbeitung der Bilder (Croppen, Auschneiden, Teilen, ...) kann eine Programmiersprache der Wahl genutzt werden. Es soll auf Bildverarbeitungsbibliotheken zurückgegriffen werden.
  • Für das Vektorisieren der semantischen Klassen kann eine Programmiersprache der Wahl (Matlab, Python, C++, Java, ...) genutzt werden. Auch hier soll auf Bildverarbeitungsbibliotheken zurückgegriffen werden.
  • Grundkenntnisse mit Linux-basierten Betriebssystemen
Sonstiges
  • Grundkenntnisse der Bildverarbeitung wünschenswert
  • Motivation sich in neue Themengebiete einzuarbeiten
  • Motivation sich vorab Python-Kenntnisse anzueignen
  • Motivation sich in Bibliotheken der Bildverarbeitung (z.B. OpenCV) einzuarbeiten

 

Ansprechpartner