Big Data und Machine Learning – Abgeschlossene Projekte
-
Interdisciplinary Center for Applied Machine Learning - ICAMLDas ICAML (Interdisziplinäres Zentrum für Angewandtes Maschinelles Lernen) hat das Ziel, maschinelles Lernen interdisziplinär zugänglich zu machen. Um dieses Ziel zu erfüllen, werden drei fundamentale Komponenten der Lehre entwickelt und eingesetzt.Leitung: Werner, SesterTeam:Jahr: 2018Förderung: Bundesministerium für Bildung und ForschungLaufzeit: 11/2017-11/2019
![]()
![]()
-
Objekterkennung in ALS-Daten mittels Deep LearningIn Zusammenarbeit mit dem Niedersächsischen Landesamt für Denkmalpflege entwickeln wir ein Verfahren zur automatischen Erkennung archäologischer Objekte in luftgetragenen Laserscandaten. Die Art der Objekte, die entdeckt werden sollen, ist hauptsächlich für Archäologen von Interesse, wie z. B. Haufen, Schächte, Holzkohlepfähle, Gruben, Schubkarren, Bombenkrater, Hohlwege usw. Es kann sich um spitze, lineare oder flächige Objekte handeln. Zu diesem Zweck verwenden wir tiefe Lerntechniken; nämlich Faltungsneuronale Netze (CNNs) zum Klassifizieren von Höhenbildern aus der Region von Interesse. Eine Kombination mehrerer (in den meisten Fällen 5) CNN-Klassifikatoren wird dann verwendet, um interessierende Objekte in einem aus der interessierenden Region erfassten digitalen Geländemodell zu erkennen und zu lokalisieren.Leitung: Sester, MonikaTeam:Jahr: 2018Förderung: MWK Pro*NiedersachsenLaufzeit: 2018-2020
![]()
![]()
-
Mining GPS-Trajectory Data for Map Refinement and Behavior DetectionIn today’s world, we have increasingly sophisticated means to record the movement of moving objects such as vehicles, humans and animals in the form of spatio-temporal trajectory data. As a consequence of this development, increasing volumes of such data are being accumulated at an extremely fast rate. A trajectory is usually represented by an array of structured positions in space and time, i.e. each has a signature of specific location (geospatial coordinate tags) in time (time stamp tags).Jahr: 2017
![]()
![]()
-
Q-Trajectories - Dezentrale Bestimmung von Bewegungsmustern aus TrajektorienZiel dieses Teilprojekts ist die Erkennung und Bewertung von Bewegungsmustern in Trajektorien mit Hilfe effizienter, dezentraler Analysemethoden. Dabei sollen Auffälligkeiten und kritische Verhaltensweisen ausfindig gemacht werden. Anwendungsmöglichkeiten für ein derartiges Verfahren könnten u.a. größere Sensor-/Kameranetze zur Überwachung von Menschenmengen (z.B. Stau, Gruppenverhalten, …) oder zur Beobachtung von Verhalten von Tieren sein.Jahr: 2017
![]()
![]()
-
Anomalous Pattern Detection from GPS-TrajectoriesThe anomalous pattern detection is of great interest for the applications in the areas of navigation/driver assistant system, surveillance and emergency management. In this work we focus on the GPS-Trajectories finding where the driver is encountering navigation problems.Jahr: 2017
![]()
![]()
-
RainCarsZiel des Projektes RainCars ist die Verbesserung bisheriger Methoden zur Niederschlagsschätzung durch die Verwendung von Sensoren in Autos. Überschwemmungen verursachen auch in Deutschland regelmäßig große Schäden. Eine bessere flächendeckende Erfassung des Niederschlags könnte für genauere Vorhersagen sorgen. Ziel des Projekts RainCars ist die Verbesserung der räumlichen Niederschlagsschätzung durch zusätzliche Messungen mit Autos deren Scheibenwischer als Sensoren zur Regenmessung dienen. Der Kerngedanke: Relativ ungenaue Messungen an sehr vielen Orten sind besser als exakte Messungen an sehr wenigen Orten.Leitung: Sester, MonikaTeam:Jahr: 2017Förderung: DFGLaufzeit: 2013-2017
![]()
![]()
-
Echtzeitvorhersage für urbane Sturzfluten und damit verbundene Wasserkontamination (EVUS)Ziel dieses Projektes ist die Entwicklung eines schnellen Prognosemodells für Sturzflut in der Stadt Hannover. Hauptziel des Teilprojekts für das ikg ist die Integration neuer Sensoren für die Hochwasservorhersagemodelle.Leitung: Sester, MpnikaTeam:Jahr: 2017Förderung: BMBF GeorisikenLaufzeit: 2017-2019
![]()
![]()
-
Szenenanalyse - Mustererkennung in PersonentracksZiel des Projektes ist die automatische Erkennung von Mustern in Trajektorien von Personen, die in Videosequenzen detektiert und verfolgt worden sind. Die Grundhypothese ist dabei, dass sich mögliche Gefahrenquellen durch ein auffälliges Bewegungsverhalten erkennen lassen. Im Projekt sollen Individual- und Gruppenmuster, sowie die Feststellung, wann ein Muster als auffällig zu charakterisieren ist, aus den Daten abgeleitet und gelernt werden.Leitung: Sester, MonikaTeam:Jahr: 2017Förderung: BMBFLaufzeit: 2010-2013
![]()
![]()
