Sester - Forschungsprojekte

Mobilität

  • Extraktion von Verhaltensmustern aus Trajektorien
    Eine Straßenkarte kann nicht nur als eine kompakte Repräsentation des Straßennetzwerks dienen, sondern auch eine Beschreibung des Fahrverhaltens der Verkehrsteilnehmer liefern, welche durch Straßenregulationen vorgeben werden.
    Team: Zourlidou, Sester
    Year: 2017
    Sponsors: IAV GmbH
  • Bestimmung von Treffpunkten für Mitfahrgelegenheiten und bedarfsorientierte Verkehre
    Die Idee des Projektes ist, mit Kartendaten geeignete Treffpunkte zu finden, die ein Zusteigen zu Mitfahrgelegenheiten oder Bussen sicher, bequem und effizient ermöglichen. Mit fortschreitenden Mobilitätsansprüchen der Gesellschaft steigt die Auslastung der Straßen immer weiter an. Daher ist es sinnvoll, Reisende mit ähnlichen Zielen zu gruppieren und Fahrgemeinschaften zu bilden, um die Anzahl an Autos zu verringern und damit auch die Umwelt zu schonen. Insbesondere, wenn der öffentliche Nahverkehr nicht ausreicht oder aus Kostengründen nicht wirtschaftlich arbeiten kann, stellen private Fahrgemeinschaften und öffentliche bedarfsgerechte Verkehre eine Alternative zum Auto dar. Auch in Deutschland gehen immer öfter Start-Ups an den Markt, die solche Mobilitätsdienstleistungen auch innerstädtisch anbieten.
    Team: Czioska, Sester
    Year: 2017
    Sponsors: DFG-Graduiertenkolleg SocialCars
  • Automatische Generierung von Dynamischen Parkplatzkarten Mittels Crowd-Sensing
    Moderne Fahrzeuge werden immer häufiger mit einer Vielzahl von Sensoren ausgestattet, die ihre Umgebung erfassen. Solche Sensoren können genutzt werden, um während der Fahrt parkende Fahrzeuge am Straßenrand zu detektieren. Tragen viele Fahrzeuge zu einem gemeinsamen Datenbestand bei, so erhält man die Information über parkende Fahrzeuge zu vielen verschiedenen Zeitpunkten mit einer Abdeckung des gesamten Stadtgebiets.
    Team: Bock, Sester
    Year: 2017
    Sponsors: Deutsche Forschungsgemeinschaft (DFG)
  • Visuelle Kommunikation zur Verhaltenssteuerung bei der Routenwahl
    Die individuelle Entscheidung für eine bestimmte Verkehrsmodalität und Route hängt von verschiedenen Gegebenheiten ab. Insbesondere wird Information über das erwartete Verkehrsgeschehen als wichtig erachtet. Untersucht werden soll daher, ob die Vermittlung der aktuellen und der voraussichtlichen Situation vor Ort (inklusive Angabe bestimmter Sicherheiten) dazu führt, eine andere Route oder gar eine andere Modalität zu wählen.
    Team: Fuest, Sester
    Year: 2018
    Sponsors: DFG-Graduiertenkolleg SocialCars
  • Deep Learning von Verhalten im Straßenraum - speziell im Bereich Shared Spaces
    Im Projekt soll das Verhalten verschiedener Verkehrsteilnehmer in nicht regulierten, d.h. für alle Verkehrsteilnehmer offenen Räumen, untersucht werden. Existierende Ansätze gehen von einem gegebenen Bewegungsmodell aus, welches das individuelle Verhalten und auch das interaktive Verhalten unterschiedlicher Verkehrsteilnehmer beschreibt.
    Team: Cheng, Sester
    Year: 2018
    Sponsors: DFG-Graduiertenkolleg SocialCars

Masterarbeiten

  • Geomarketing: Visualisierung von Immobilieninformationen
    Leaders: Sester, Dahinden
    Team: Sarp Tomrukcu
    Year: 2011
    Lifespan: 2011
  • Automatische Anreicherung von Routenbeschreibungen zur Ausbildung einer kognitiven Karte
    Von aktuellen Navigationssystemen genutzte Anweisungen beschränken sich üblicherweise auf Entfernungs- und Richtungsangaben (beispielsweise "Biegen Sie in 100 m links auf die Nienburger Straße ein"). Auf diese Weise erreicht der Nutzer zwar das Ziel, hat anschließend jedoch Schwierigkeiten sich eigenständig zu orientieren.
    Leaders: Sester, Feuerhake
    Team: Oskar Wage
    Year: 2017
    Lifespan: 2017
  • Traffic-sign Recognition from Street-level Photos: a Deep Learning Approach
    The scope of this thesis is the recognition of traffic-signs from street-level images. A state-of-the-art deep learning detection algorithm is used, the Single Shot Multi-box detector (SSD) and within the thesis its performance is validated experimentally by examining different training strategies.
    Leaders: Prof. Dr. Bernhard Roth, Co-advisor: Prof. Monika Sester, Supervisor: Stefania Zourlidou
    Team: Qifa Bao
    Year: 2018
    Lifespan: 2018
  • Schätzen von Gebäudeparametern aus Streetview Aufnahmen / Estimation of building parameters from Streetview images
    Google Streetview Aufnahmen liegen aus verschiedenen Städten vor. Diese Daten enthalten u.a. Informationen über die Gebäude. Ziel der Arbeit ist es, aus diesen Bildern Hinweise über verschiedene Gebäudeparameter zu bekommen. Mögliche Parameter sind Alter, Zustand, Material, Lage. Hierfür sollen Deep Neural Networks eingesetzt werden, die in jüngerer Zeit gezeigt haben, dass sie bislang sehr schwierige Klassifikations- und Regressionsaufgaben zu lösen in der Lage sind. Google Streetview images are available from different cities. These images include information about the buildings. The aim of the thesis is to automatically derive information about different building parameters from these pictures. Possible parameters are age, condition, material, position. Deep neural networks will be used for this purpose, which have recently shown that they are capable of solving very difficult classification and regression tasks.
    Leaders: Feng, Kazimi, Sester
    Year: 2019

Laserscanning

  • Solarertrag an Fassaden
    Mit der Transformation des Energie­systems auf regenerative Formen ist die dezentrale Nutzung der solaren Strahlungsenergie von herausragender Bedeutung.
    Leaders: Sester
    Team: Hai Huang
    Year: 2017
  • Object detection in airborne laser scanning (ALS) data using deep learning
    In partnership with the Lower Saxony State Office for Preservation of Historic Monuments, we are developing a method for automatically detecting archaeological objects in airborne laser scanning data. The type of objects to be detected are mainly those of interest by archaeologists such as heaps, shafts, charcoal piles, pits, barrows, bomb craters, hollow ways, etc. They could be point, linear, or areal objects. To this end, we are using deep learning techniques; namely, convolutional neural networks (CNNs) to classify height images from the region of interest. A combination of multiple (in most cases 5) CNN classifiers are then used to detect and localize objects of interest in a digital terrain model acquired from the region of interest.
    Team: Kazimi, Thiemann, Sester
    Year: 2018
    Sponsors: MWK Pro*Niedersachsen

Generalisierung

  • TASH
    Das Institut für Kartographie und Geoinformatik (IKG) hat seit 1970 einen Forschungs- und Entwicklungsschwerpunkt auf dem Gebiet der Erfassung, Auswertung und Darstellung topographischer Daten. Als das für Forschung und Praxis wichtigstes Ergebnis kann das Topographische Auswerte-System Hannover (TASH) angesehen werden. Das Programmsystem wird weiter entwickelt und gepflegt und dabei jeweils unterstützten Betriebssystemen (z. Zt. Windows NT 4 und Windows 2000) angepasst.
    Team: Sester, Thiemann
    Year: 2017
  • CHANGE
    Das Programmsystem CHANGE generalisiert Gebäude. Objektartengetrennt werden die Objekte mit der Generalisierungssoftware vektororientiert verarbeitet. Die Steuerung des Generalisierungsgrades erfolgt durch die Parameter Eingangs- und Folgemaßstab sowie graphische Mindestgrößen. Die standardmäßig vorgegebenen graphischen Mindestgrößen entsprechen den in der Literatur beschriebenen Größen. Der Programm-Ablauf erfolgt im Batchbetrieb und ist unabhängig von GIS- und graphischen System-Plattformen. Anwendungsbereiche sind topographische Kartographie und Geo-Informationssysteme (GIS).
    Team: Sester, Thiemann
    Year: 2017
  • PUSH -- Automatische Kartographische Verdrängung mittels Optimierung
    Das Programm PUSH ermöglicht die automatische Verdrängung von Geoobjekten aller Art. Die jeweiligen Objektcharakteristika, die die Verdrängung beeinflussen, lassen sich sehr flexibel parametrisieren. Die Ergebnisse erlauben eine automatische Qualitätskontrolle. Das Programm ist in der Lage, auch größere Datenbestände (z.B. Kartenblatt topographische Karte 1:50.000) zu bearbeiten.
    Team: Sester, Thiemann
    Year: 2017
  • TYPIFY
    Mit Typifizierung wird der Vorgang bezeichnet, aus einer gegebenen Objektmenge einen Teil zu reduzieren, dabei aber die räumliche Verteilung der Situation beizubehalten. Beispielsweise können in einem kleinen Maßstab nicht mehr alle Gebäude dargestellt werden - sie sind also sinnvoll zu reduzieren. Diese Reduktion kann jedoch nicht zufällig erfolgen, sondern muss die räumliche Verteilung der Objekte berücksichtigen. Hierfür wurde ein Verfahren entwickelt, welches auf der Basis von Kohonen Merkmalskarten arbeitet.
    Team: Sester, Thiemann
    Year: 2017
  • Generalisierung mittels Deep Learning
    Am ikg wird die Möglichkeit erforscht, das Problem der Generalisierung mittels Deep Learning zu lösen. In einem ersten Ansatz wurde ein Neuronales Netz zur Erzeugung von Gebäudegeneralisierungen in drei Maßstäben genutzt.
    Leaders: Sester
    Team: Sester, Feng, Thiemann
    Year: 2018

Datenintegration

  • Beseitigung von Geometrischen Konflikten zwischen Kataster- und Topographischen Datensätzen
    Werden Datensätze unabhängig voneinander erhoben, gewartet und fortgeführt, können Konflikte in Geometrie und Semantik entstehen, selbst wenn dieselben Objekte in beiden Datensätzen beschrieben werden. Besonders aus finanzieller Sicht ist es wünschenswert diese zu harmonisieren, um den Aufwand für Erhebung und Fortführung zu reduzieren.
    Team: Thiemann, Schulze, Sester
    Year: 2017
    Sponsors: Forschungs- und Entwicklungsvorhaben zwischen den Landesvermessungsämtern Niedersachen, Schleswig-Holstein und Mecklenburg-Vorpommern

Big Data und Machine Learning

  • RainCars
    Ziel 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.
    Team: Fitzner, Sester
    Year: 2017
    Sponsors: DFG
  • 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.
    Team: Feng, Sester
    Year: 2017
    Sponsors: BMBF Georisiken
  • Ja, wo laufen sie denn?
    Für Profi-Trainer oder auch einfache Hobby-Kicker. Vielen Fußballbegeisterten wird der Weg zum Taktikfuchs durch eine automatisierte Spielanalyse am Computer erleichtert. Ausgeklügelte Verfahren ermöglichen eine einfachere Bewertung der Leistung der Akteure.
    Team: Feuerhake, Sester
    Year: 2017
  • Szenenanalyse - Mustererkennung in Personentracks
    Ziel 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.
    Team: Fischer, Sester
    Year: 2017
  • Interdisciplinary Center for Applied Machine Learning - ICAML
    Das 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.
    Team: Leichter, Werner, Sester
    Year: 2018
    Sponsors: Bundesministerium für Bildung und Forschung
    Lifespan: 11/2017-11/2019
  • Object detection in airborne laser scanning (ALS) data using deep learning
    In partnership with the Lower Saxony State Office for Preservation of Historic Monuments, we are developing a method for automatically detecting archaeological objects in airborne laser scanning data. The type of objects to be detected are mainly those of interest by archaeologists such as heaps, shafts, charcoal piles, pits, barrows, bomb craters, hollow ways, etc. They could be point, linear, or areal objects. To this end, we are using deep learning techniques; namely, convolutional neural networks (CNNs) to classify height images from the region of interest. A combination of multiple (in most cases 5) CNN classifiers are then used to detect and localize objects of interest in a digital terrain model acquired from the region of interest.
    Team: Kazimi, Thiemann, Sester
    Year: 2018
    Sponsors: MWK Pro*Niedersachsen

Bachelorarbeiten

  • Simulation von GPS-Trajektorien als Trainingsdaten für das maschinelle Lernen von Wegeachsen
    In dieser Arbeit wird ein Algorithmus zur Simulation von realitätsnahen GPS-Trajektorien, als Trainingsdaten für ein Convolutional Neural Network, für den Bewegungsmodus Kraftfahrzeug präsentiert. Dazu wird das Straßennetz aus OpenStreetMap für ein Auswahlgebiet zu einem routingfähigen Graphen aufbereitet. Den verschiedenen Straßentypen werden charakteristische Straßenbreiten und Fahrstreifenanzahlen zugewiesen, aufgrund dessen Hilfsgeometrien für Fahrspuren generiert werden.
    Leaders: Frank Thiemann, Prof. Sester
    Team: Thorben Freitag
    Year: 2018
  • Erzeugung von Gebäudegrundrissen aus Lidardaten und ihre Anpassung an ALK-Daten
    In der ALK sind Gebäude über ihre Grundrisse dargestellt. In luftgestützten Laserdaten bilden sich Gebäude als 3D-Formen ab. Aufgrund unterschiedlicher Erfassungsvorschriften und Aktualitätsstände kann es zu Verschiebungen zwischen diesen Datenbeständen kommen. Ziel der Arbeit ist es, diese Verschiebungen zu bestimmen und automatisch zu korrigieren.
    Leaders: Politz, Sester
    Year: 2019

3D-Visualisierung

  • Visualisierung von Punktwolken mittels Parallax Scrolling
    Für die Visualisierung von Mobile Mapping Daten wurde ein Visualisierungsansatz aus dem Computerspielbereich adaptiert.
    Team: Eggert, Sester
    Year: 2017
  • Generalisierung mittels Deep Learning
    Am ikg wird die Möglichkeit erforscht, das Problem der Generalisierung mittels Deep Learning zu lösen. In einem ersten Ansatz wurde ein Neuronales Netz zur Erzeugung von Gebäudegeneralisierungen in drei Maßstäben genutzt.
    Leaders: Sester
    Team: Sester, Feng, Thiemann
    Year: 2018