Datensätze

Gerne unterstütze ich Sie bei der Konzipierung von Trainings- und Testdatensätzen für maschinelle Lernverfahren. Daneben biete ich Ihnen auch die Möglichkeit Ihre Datensätze sowohl durch neu generierte Daten als auch Open-Source Daten zu ergänzen – zum Beispiel durch Photodaten, Grafikdatensätze mit CGI, künstliche Trainingsdatensätze mit GAN-Techniken und Satellitenbildaufnahmen.

Ebenso betreibe ich für geoanalytische Fragestellungen ein Photoarchiv, welches unsere klimatischen Landschaftsveränderungen im Geosystem Erde verdeutlicht. Möchten Sie vereinzelte Photographien für soziale oder wissenschaftliche Zwecke nutzen, kontaktieren Sie mich bitte.

Photodaten

Um ein Photoklassifikationsverfahren mit Computer Vision Techniken zu trainieren ist es meist sinnvoll, die bereits vorliegenden Trainingsdaten durch Data Augmentation zu erweitern. Dadurch lassen sich die Bild-Trefferquoten des maschinellen Lernverfahrens deutlich verbessern. Um neue Photodaten zu erzeugen nutze ich entweder bereits bestehende Techniken aus den Python-Bibliotheken Tensorflow und Pytorch oder ich entwickle für Sie ein speziell dafür vorgesehenes künstliches neuronales Netz.

Grafiken mit CGI-Techniken

Um Trainingsdaten für maschinelle Lernverfahren zu erweitern und somit Trefferquoten für eine Bildklassifikation zu beeinflussen, eignen sich CGI-Techniken. Neben der manuellen Datengenerierung mit zum Beispiel Blender, Daz3D und GrassGIS kann natürlich auch auf bereits existierende Datensätze zurückgegriffen werden. Gerne berate ich Sie diesbezüglich und stelle Ihnen gegebenenfalls CGI-Daten zu Verfügung.

Künstliche Trainingsdatensätze

Mithilfe von Generative Adversarial Networks (GAN), also ein Deep Learning Algorithmus, lassen sich künstliche Trainingsdaten für maschinelle Lernverfahren erzeugen. Für unausgeglichene Datensätze kann diese Datenergänzung sehr nützlich sein und die Trefferquoten von bestehenden maschinellen Lernverfahren verbessern. Gerne entwickle und trainiere ich für Sie ein künstliches neuronales Netz (GAN), um zusätzliche Trainingsdaten zu erzeugen.

Satellitenbilder

Um Bildsegmentierungen auf der Basis von Satellitenbildern mit Computer Vision Techniken zu trainieren ist es meist sinnvoll, die bereits vorliegenden Trainingsdaten durch Data Augmentation zu ergänzen. Dadurch lassen sich die Segmentierungs-Trefferquoten des maschinellen Lernverfahrens meist deutlich verbessern. Des Weiteren können auch ergänzende Bilder von unterschiedlichen Satelliten aus verschiedenen Zeitreihen die Trefferquote verbessern. Gerne unterstütze ich Sie bei der Satellitenbildbeschaffung einschließlich des Trainings eines speziell dafür entwickelten künstlichen neuronalen Netzes.

Photoarchiv über Landschaftsveränderungen

Photographische Vergleiche von Landschaften in unterschiedlichen Zeiträumen geben uns Hinweise über die anthropogenen und physiogeographischen Veränderungen der Erdoberfläche.

Für zukünftige Generationen sind die Photographien unverzichtbar - insbesondere im Rahmen unseres anthropogen induzierten Klimawandels. Gerade deshalb ist eine fortwährende Dokumentation der Erdoberfläche von Relevanz.

Werfen Sie einen Blick ins Photoarchiv und tauchen Sie ein in eine Welt der abgelegenen und eindrucksvollen Gebirge und Polarregionen.
error: Dieser Inhalt ist geschützt!