Offene Abschlussarbeiten – Institut für Kartographie und Geoinformatik

Inhalte auf dieser Seite

Offene Bachelorarbeiten
Offene Masterarbeiten
Kontakt für allgemeine Fragen zu Studien- und Abschlussarbeiten

Sie suchen nach bereits abgeschlossenen Arbeiten?

Abgeschlossene Abschlussarbeiten

Offene Bachelorarbeiten

Exploring Herrenhausen Gardens

Development of an Location Based Interactive Mobile Web Application for Enriching Visitors' Knowledge and Experience

Leitung: Feuerhake, Sester

Jahr: 2023
Detection of Signatures in old Maps using Deep Learning

Old maps contain a lot of interesting information of the past reality. Most of maps are, however, only available in analogue form, and thus difficult to query and analyse automatically. The goal of this thesis is to explore modern deep learning methods to automatically detect signatures on old maps. There will be a concentration on certain types of objects, e.g. trees or buildings.

Leitung: Thiemann, Sester

Jahr: 2023
Vergleich verschiedener Update-Konzepte für gitterbasierte Karten

Im Rahmen des Projektes „Collaborative Acquisition of Predictive Maps“ des DFG Graduiertenkol-legs i.c.sens soll ein Umgebungsmodell (digitale Karte) erstellt werden, welches Veränderungen in der städtischen Umgebung berücksichtigt. Hierfür wurden in einer Messkampagne über ein Jahr entlang einer 20 km Route durch Hannover mit dem Mobile Mapping System des IKG Daten aufgenommen, welche in eine solche Karte überführt werden sollen. Bei der i.c.sens-Messkampagne wurde das Messgebiet in einem ungefähr zweiwöchentlichen Abstand erfasst. In dieser Arbeit sollen die aufgenommenen Punktwolken in eine Gitterkarte (Occupancy grid) überführt werden. Dabei sollen verschiedene Update-Konzepte getestet und verglichen werden. Es werden gelabelte Daten zur Verfügung gestellt, sodass unterschiedliche Objektklassen getrennt untersucht werden können. In der Auswertung sollen die mit verschiedenen Update-Konzepten erstellten Karten verglichen und eine optimale Lösung ausgewählt werden.

Leitung: Schachtschneider, Brenner

Jahr: 2022

Laufzeit: Startdatum: September 2022
Statistische Prozesskontrolle

Wenn Zufallsprozesse über einen langen Zeitraum beobachtet werden, kommt es häufig zu sogenannten Strukturbrüchen. Das bedeutet, dass sich das Verhalten des Prozesses zu einem bestimmten Zeitpunkt aufgrund exogener Einflüsse ändert. Bei Finanzzeitreihen kann sich bspw. das Risiko einer Anlagestrategie plötzlich ändern (Finanzkrisen), bei Beschleunigungsdaten von Fahrzeugen kann eine abrupte Änderung aufgrund einer unvorhergesehenen Verkehrssituation geben, bei Produktionsprozessen von bestimmten Teilen kann es durch einen Verschleiß der Maschinen zu einer Abweichung von der Norm kommen oder bei der Überwachung von Bauwerken kann es aufgrund der Alterung oder Schäden zu plötzlichen Änderungen kommen. Bei all diesen Beispiel ändert sich die Struktur eines Zufallsprozesses zu einem bestimmten Zeitpunkt. Gleichzeitig unterliegen die Prozesse aber einer natürlichen Schwankung, von der die Strukturänderung unterschieden werden muss. Natürlich ist zusätzlich auch wünschenswert, dass diese Änderung so schnell wie möglich nach ihrem Auftreten erkannt wird. Hierzu kann man Methoden der statistischen Prozesskontrolle verwenden, die in der Abschlussarbeit an realen oder simulierten Daten angewendet werden sollen. Das Thema kann dabei in verschiedene Richtungen entwickelt werden: 1) Änderungserkennung bei zeitlich abhängigen Daten, 2) Änderungserkennung bei Zähldaten, 3) Änderungserkennung in Bildsequenzen, 4) Überwachung sozialer und anderer Netzwerke.

Leitung: Malinovskaya, Otto

Jahr: 2021
Schätzung hoch-dimensionaler räumlicher Abhängigkeiten

Aufgrund räumlicher Nähe von Beobachtungen kommt es dazu, dass diese zueinander ähnlich sind – ähnlicher als zu weiter entfernten Beobachtungen. Dies ist auch als erstes Geographisches Gesetz von Tobler bekannt. In der Statistik spricht man in diesem Fall von stochastischer Abhängigkeit. Bei kleinräumigen Datensätzen, bspw. den Grundstückspreisen oder Kriminalitätsraten in einer Stadt oder der Feinstaubbelastung, ist allerdings nicht alleine die geographische Distanz ausschlaggebend, sondern andere Faktoren können diese Abhängigkeit beeinflussen. Bei den erstgenannten Beispielen könnten bspw. Nahverkehrsverbindungen diese „Nähe“ besser beschreiben, oder bei den zweiten Beispielen wird die vorherrschende Windrichtung und -geschwindigkeit einen großen Einfluss auf den räumlichen Transport der Feinstaubpartikel haben. In der Abschlussarbeit soll daher untersucht werden, inwiefern diese räumlichen Abhängigkeiten datenbasiert geschätzt werden können. Ein Fokus kann dabei auf die Einbeziehung zusätzlicher Einflussgrößen liegen oder die Möglichkeit der kompletten Schätzung aller räumlicher Abhängigkeiten zwischen den Beobachtungsorten mittels Methoden des statistischen Lernens kann erörtert werden.

Leitung: Otto

Jahr: 2021
Laserscanning und Mobile Mapping: Evaluierung verschiedener Klassifikatoren zur Detektion von Objekten in Punktwolken

Viele Gebiete unseres Lebens werden rasant mit Hilfe von Maschinen automatisiert. Nicht nur für die Kartographie ist dabei essenziell, dass Computer Beobachtungen ihrer Sensoren korrekt zuordnen und interpretieren. Für diese Aufgabe stehen bereits verschiedenste Klassifizierungsalgorithmen zur Verfügung. Ziel der Bachelorarbeit ist die Analyse verschiedener Klassifikationsansätze mit Fokus auf deren Eignung zur Bestimmung von Objekten aus Punktwolken.

Leitung: Busch

Jahr: 2020
Bestimmung von Mustern in Fahrzeugtrajektorien

Die Bewegungstrajektorien von Fahrzeugen erlauben Rückschlüsse auf raum-zeitliche Situationen. So können beispielsweise Haltepunkte detektiert werden oder auch Stausituationen, oder auch Anomalien wie temporär nicht zu befahrende Straßensegmente. In der Arbeit sollen in einem großen Trajektoriendatenbestand solche Muster automatisch erkannt werden. Der Datenbestand umfasst sehr viele Trajektorien. Bei Interesse kann ein Schwerpunkt auf die skalierbare Datenanalyse mittels Hadoop und Spark gelegt werden. Je nach Schwerpunkt ist die Arbeit sowohl als Bachelor- als auch als Masterarbeit bearbeitbar.

Team: Feuerhake, Sester

Jahr: 2020
Road user tracking in static surveillance video data

Maps contain important information to navigate and route vehicles. For autonomous vehicles this information about the surrounding has to be highly accurate and current to directly interpret and evaluate the surrounding, measured by sensors. The richer the information is, the better a vehicle can judge the situation, predict next steps and react. The surrounding of the vehicle can significantly influence the driving situation. Which conditions lead to unsafe driving behavior is not always clear. Therefore, it is important to investigate how such situations can be reliably detected, and then search for their triggers. It is conceivable that such insecure situations (e.g near-accidents, u-turns, avoiding obstacles) are reflected, for example, as anomalies in the movement trajectories of road users. Collecting real world traffic data in driving studies is very time consuming and expensive. On the other hand, a lot of roads or public areas are already monitored with video cameras. In addition nowadays more and more of such video data is made publicly available over the internet so that the amount of free but low quality video data is increasing. This research will exploit the use of such kind of opportunistic VGI.

Leitung: Koetsier, Sester

Jahr: 2019

Laufzeit: offen
Kartographie: Automatische Platzierung von Böschungsschraffen

Für die Darstellung von Wällen und Gräben in archäologischen Plänen werden Schraffen verwendet. Anders als bei neuzeitlichen künstlichen Böschungen sind die historischen Böschungen durch Einwirkung der Erosion sehr unregelmäßig geformt. Standardalgorithmen scheitern aus diesem Grund bei der automatischen Anordnung der Schraffen.

Leitung: Thiemann

Jahr: 2019
Homogenisierung der Gebäudeausrichtung

Topographischen Karten 1 : 25.000 werden Gebäude noch grundrissähnlich dargestellt. Detailierte Gebäudegrundrisse aus dem Kataster (ALKIS) müssen dazu generalisert (klassifiziert, selektiert, aggregiert, vereinfacht, betont, verdrängt) werden. Ein Aspekt der Generalisierung ist die homogene Ausrichtung der Gebäude.

Leitung: Thiemann

Jahr: 2019

Offene Masterarbeiten

Exploring Herrenhausen Gardens

Development of an Location Based Interactive Mobile Web Application for Enriching Visitors' Knowledge and Experience

Leitung: Feuerhake, Sester

Jahr: 2023
Detection of Signatures in old Maps using Deep Learning

Old maps contain a lot of interesting information of the past reality. Most of maps are, however, only available in analogue form, and thus difficult to query and analyse automatically. The goal of this thesis is to explore modern deep learning methods to automatically detect signatures on old maps. There will be a concentration on certain types of objects, e.g. trees or buildings.

Leitung: Thiemann, Sester

Jahr: 2023
Mehrdimensionale, funktionale Daten

In der klassischen Datenanalyse geht zumeist davon aus, dass die Beobachtungen in Form von Skalaren oder Vektoren einer unabhängigen Stichprobe entstammen. Beispiele für diese Prozesse sind räumliche Punktprozesse, wie etwa Punktwolken von LIDAR Scannern. In neueren statistischen Ansätzen geht man im Gegensatz zu diesem Vorgehen davon aus, dass die Beobachtungen zufällige Realisationen von Funktionen sind (functional data analysis). Diese Funktionen haben in der Regel nur einen eindimensionalen Träger x, d.h. f : R -> R. In der Masterarbeit soll daher untersucht werden, inwiefern sich die auf mehrdimensionale Funktionen, also f : R^d -> R, übertragen lässt. Insbesondere soll der zweidimensionale Fall, also die Evolution von Flächen (f : R^2 -> R) im Fokus stehen. Anwendung kann diese beispielsweise in der zeitlichen Entwicklung von interpolierten Flächen aus Punktwolken finden. Die in der Arbeit entwickelten Methoden können entweder an realen oder simulierten Daten veranschaulicht werden.

Leitung: Malinovskaya, Otto

Jahr: 2021
Anomaly detection in network data: a statistical approach

In this master thesis, the student explores the network modelling and monitoring on the example of daily flights in the United States. In statistical modelling, there are Separable Temporal Exponential Random Graph Models (STERGM) that subdivide the network development into two distinct streams: the dissolution and formation of edges. Thus, the interpretation of changes in the network becomes clearer. For monitoring, the student should select two methods: one from statistical process control and another from a different field (e.g., machine learning). A comparison of their performance would conclude this thesis.

Leitung: Malinovskaya, Otto

Jahr: 2021
Spatial Long-Range Dependence

Long memory is a well-known and often observed statistical properties of time series. A process is called to have long memory, if the temporal autocorrelation is rather slowly decreasing, e.g. compared to autoregressive processes. There are many statistical models accounting for such long memory. In spatial statistics, however, there are just a few attempts to model long-range dependencies. Previous approaches of long-range/memory dependence models for spatial models have mostly focussed on geostatistical settings. In contrast to the spatial econometrics’ framework, where the spatial dependence is modelled via a suitable spatial weights matrix, which defines the extend of the correlation to all adjacent regions, geostatistical approaches capture the spatial dependence by a proper choice of the covariance matrix of a multivariate process. The entries of this covariance matrix usually follows a certain parametric covariance function depending on the difference between two locations. Two-dimensional spatial lattice data has been considered, where the spatial dependence is separable. For this master thesis, the current literature on spatial long-range dependence and spatial long memory should be reviewed. Moreover, previously proposed methods could be applied to real or artificial/simulated data, but there should not necessarily be an empirical part in this master thesis. Alternatively, a quantitative/systematic literature review can be conducted.

Leitung: Otto, Malinovskaya

Jahr: 2021
Hololens 2 - Analysis of capabilities and quality

The Hololens is a device, which captures information of the environment and creates a 3D model of it. At the same time, it is able to place virtual objects into the environment and thus allows AR-applications. The goal of the thesis is to investigate the potential of the Hololens for capturing indoor environments. This includes the acquisition of 3D point clouds and a thorough quality assessment. Subsequently, the point could has to be processed in order to segment important objects or features (e.g. walls, furniture). To this end, the use of Deep Learning models has to be considered.

Leitung: Kamalasanan, Sester

Jahr: 2020
Future trajectory and Motion guidance with Augmented reality

Controlling pedestrian motion pattern using augmented reality would require explainable visualizations to convince the user to change directions and speed of motion. Such AR visualizations should avoid cognitive overload and should provide motion guidance that are accurate representations of expected user actions to avoid conflicts / collisions. The focus of this master thesis would be to design and evaluate 3D motion guidance augmentations using AR emphasizing how such visualizations can avoid collisions between pedestrian / smartphone zombie. The student is expected to design and validate motion guidance visualizations in augmented reality

Leitung: Kamalasanan, Sester

Jahr: 2020
Bestimmung von Mustern in Fahrzeugtrajektorien

Die Bewegungstrajektorien von Fahrzeugen erlauben Rückschlüsse auf raum-zeitliche Situationen. So können beispielsweise Haltepunkte detektiert werden oder auch Stausituationen, oder auch Anomalien wie temporär nicht zu befahrende Straßensegmente. In der Arbeit sollen in einem großen Trajektoriendatenbestand solche Muster automatisch erkannt werden. Der Datenbestand umfasst sehr viele Trajektorien. Bei Interesse kann ein Schwerpunkt auf die skalierbare Datenanalyse mittels Hadoop und Spark gelegt werden. Je nach Schwerpunkt ist die Arbeit sowohl als Bachelor- als auch als Masterarbeit bearbeitbar.

Team: Feuerhake, Sester

Jahr: 2020