Georäumliches Deep Learning mit geringem Daten- und Programmieraufwand
Daten- und codearmes georäumliches Deep-Learning: Eine neue Anwendung unterstützt mithilfe von Satellitenbildern bei der Bewertung des Schweregrads von Flächenbränden.
Steckbrief
- Lead-Departement Technik und Informatik
- Institut Institute for Data Applications and Security (IDAS)
- Forschungseinheit IDAS / Applied Machine Intelligence
- Förderorganisation Andere
- Laufzeit (geplant) 01.03.2022 - 28.02.2023
- Projektverantwortung Dr. Souhir Ben Souissi
- Projektleitung Dr. Souhir Ben Souissi
- Projektmitarbeitende Céline Hüttenmoser
- Partner Hasler Stiftung
- Schlüsselwörter Georäumlich, Schweregrad von Flächenbränden, Deep Learning, Computerwissenschaften
Ausgangslage
Die jüngsten theoretischen und praktischen Fortschritte auf den Gebieten Data Engineering und Deep Learning ermöglichen es Fachleuten (z. B. aus den Bereichen Umweltwissenschaften und Katastrophenschutz), Prognose-, Klassifizierungs-, Regressions- und Segmentierungsaufgaben für ihre Interessengebiete (z. B. georäumliche Bildgebung) in einem Umfang und mit einer Genauigkeit durchzuführen, die zuvor nicht möglich war. Leider können die Vorteile von KI und Deep Learning in diesen Anwendungsbereichen aufgrund unsachgemässer oder störungsanfälliger Einsatzumgebungen sowie mangelnder Daten für die fachspezifische Nutzung oft nicht befriedigend genutzt werden.
Vorgehen
Mit diesem Projekt wollen wir: (a) fachspezifischere Datensätze erstellen, die die von uns ermittelten realen Probleme besser abbilden, (b) auf Basis von Deep Learning Lösungen suchen, welche die Probleme in einem bestimmten Kontext entschärfen könnten (z. B. mit georäumlichem Deep Learning), und schliesslich c) den Prototyp einer codearmen Lösung für die einfache Anwendung und Feinabstimmung dieser Art von Systemen in der Praxis entwickeln. Wir erwarten, dass die daraus resultierende Arbeit, die wir als daten- und codearmes Deep Learning bezeichnen, auch von Fachleuten ohne speziellen Hintergrund in KI oder Data Engineering besser genutzt werden kann. Als erste Anwendung testen die Forschenden ihre Deep-Learning-Lösungen für die Bewertung des Schweregrads von Flächenbränden mithilfe von Satellitenbildern.
