Virtuelles Laserscanning für Machine-Learning-Algorithmen in der geographischen 3D-Punktwolkenanalyse (VirtuaLearn3D)

• Antragsteller: Professor Dr. Bernhard Höfle
• Fachliche Zuordnung: Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 496418931

Topographisches Laserscanning (LS) ist eine führende Fernerkundungsmethode zur Erfassung detaillierter 3D-Punktwolken der Erdoberfläche und ihrer Objekte. Simulationen mit virtuellem Laserscanning (VLS) bilden reale Szenarien von LS-Erfassungen in einer Computerumgebung nach. VLS ist nützlich, wenn reale Experimente nicht durchführbar sind, beispielsweise aufgrund von technischen, wirtschaftlichen und logistischen Einschränkungen. Aktuelle Fortschritte im Bereich des Machine Learning, insbesondere des überwachten Deep Learning, weisen auf ein enormes Potenzial zur Verbesserung der geographischen 3D-Punktwolkenanalyse komplexer natürlicher Objekte (z.B. Vegetation) und Szenen (z.B. geomorphologische Formen) hin. Der Erfolg von Deep-Learning-Algorithmen hängt stark von der Verfügbarkeit von qualitativ hochwertigen und entsprechend großen Mengen an Trainingsdaten ab. Das Hauptziel dieses Projekts ist es, das Konzept des virtuellen Laserscannings weiterzuentwickeln, um den Mangel an Trainingsdaten zu beheben und damit leistungsfähige Machine-Learning-Algorithmen für die geographische Punktwolkenanalyse zu ermöglichen. (1) Ziel ist es, effektive Kombinationen von realen LS-Daten mit theoretisch unbegrenzten Mengen von simulierten LS-Daten für das überwachte Training zu finden. Effektive Lösungen können den „Reality Gap“ zwischen simulierten und realen Daten schließen und eine hohe Klassifikationsgenauigkeit beibehalten, während gleichzeitig kostspielig erfasste Eingangsdaten reduziert werden. (2) Darüber hinaus möchten wir herausfinden, inwieweit VLS-Daten Transfer-Learning-Strategien unterstützen können, um die Verwendung von vortrainierten Modellen für den Transfer auf unterschiedliche geographische Gegebenheiten sowie Typen von LS-Daten zu ermöglichen. VLS-gestütztes Transfer-Learning ist aufgrund der drastisch steigenden Verfügbarkeit von LiDAR-Technologie in der Wissenschaft und auch auf Geräten des täglichen Lebens sehr gefragt. (3) Es wird ein neues Konzept von „dynamischen Objekten“ in VLS-Simulationen entwickelt und getestet, welches es beispielsweise ermöglicht, die Phänologie von Vegetation und auch Objekte in Bewegung (z.B. Pflanzen, Autos, Menschen) einzubeziehen. Der vorgeschlagene methodische Fortschritt wird die großflächige Nutzung von VLS-Simulationen für Machine-Learning vorantreiben und völlig neue Anwendungsfelder ermöglichen. Dieses Projekt konzentriert sich auf Airborne Laserscanning (inkl. UAV-Laserscanning) und die Aufgaben der objektbasierten Baumartenklassifikation und der semantischen Klassifikation von Stadtszenen, wobei die Relevanz der entwickelten generischen Konzepte durch die untersuchten Beispiele nicht eingeschränkt ist.

• DFG-Verfahren: Sachbeihilfen