Lukas Liebel, M.Sc.

Biographie

Lukas Liebel wurde 1989 in München geboren. Im Juni 2017 schloss er sein Studium mit dem M.Sc. im Fach Geodäsie und Geoinformation an der Technischen Universität München (TUM) ab. Seine Masterarbeit entwickelte er einen Ansatz zur Landnutzungs- und Landbedeckungsklassifikation mit Hilfe tiefer künstlicher neuronaler Netzwerke und der automatischen Generierung von großflächigen Trainingsdatensätzen aus multi-spektralen Sentinel-2 Bildern und der OpenStreetMap Quelldaten. Seit Juli 2017 ist er Doktorand an der TUM und arbeitet als Teil der Computer Vision Research Group am Lehrstuhl für Methodik der Fernerkundung. Im Rahmen seiner Doktorarbeit beschäftigt er sich insbesondere mit “Multi-task Learning”, einem Themenkomplex aus dem Bereich des maschinellen Lernens. Als beispielhafte Anwendungen dienen dabei insbesondere die automatische Analyse von Erdbeobachtungsdaten sowie das Verständnis von Straßenräumen aus Kameradaten für das autonome und hochautomatisierte Fahren.

Forschung

Schwerpunkte

  • Forschungsthema: Multi-task Learning
  • Computer Vision, Machinelles Lernen, Deep Learning
  • Autonomes Fahren (visuelle Analyse von Straßenszenen)
  • Fernerkundung (Erdbeobachtung, multi-spektral, optisch)
  • Automatische Generierung von Trainingsdaten (u.a. auf Videospielen basierende Simulatoren)

Lehre

Lehrveranstaltungen

  • Bildverstehen - Vertiefte Methoden (Übung, Master Geodäsie und Geoinformation)
  • Bildverstehen - Aktuelle Ansätze des maschinellen Lernens (Projektbetreuung, Master Geodäsie und Geoinformation)
  • Vertiefungsprojekt Photogrammetrie und Fernerkundung (Projektbetreuung, Master Geodäsie und Geoinformation)
  • Geodätisches Seminar (Projektbetreuung, Master Geodäsie und Geoinformation)

Betreute Abschlussarbeiten und Projekte

Abschlussarbeiten:

  • “???”, Katharina Kofend, Masterarbeit (in Zusammenarbeit mit ???, Hamburg), 2020 (in Bearbeitung)
  • “Self-supervised Learning of Geometry from UAV sequences with Semantic-Aware Depth-Normal Consistency (deutscher titel?)” Sidi Wu, Masterarbeit, 2020
  • “Semantic Segmentation of Invasive Plants from Remote Sensing Imagery using Convolutional Neural Networks (deutscher titel?)”, Lena Wagner, Masterarbeit, 2020
  • “Evaluierung von Methoden zur monokularen Tiefenschätzung”, Oliver Geißendörfer, Bachelorarbeit, 2018

Vertiefungsprojekte:

  • “Single-Image Super-Resolution of Multi-spectral Sentinel-2 Imagery” Lena Wagner, Vertiefungsprojekt Photogrammetrie und Fernerkundung, WS 18/19
  • “Enhancing CNN-based Single-Image Depth Estimation Methods” Felix Gummel, Vertiefungsprojekt Photogrammetrie und Fernerkundung, WS 18/19 (co-betreut von Tobias Koch)

Geodätisches Seminar:

  • “Computer Vision with a Passion for Fashion: How Visual Computing steps into Daily Life”, Lena Wagner, Geodätisches Seminar, WS 18/19
  • “How to Predict the Unpredictable? Estimating Depth from Single Views with Deep Neural Networks”, Baturalp Arisoy, Geodätisches Seminar, WS 18/19 (co-betreut von Tobias Koch)
  • “Google Earth Engine: A Multi-Petabyte Catalog of Geospatial Datasets with Planetary-Scale Analysis Capabilities”, Nazar Suchoronczak, Geodätisches Seminar, WS 17/18

Publikationen

  • Koch, Tobias; Liebel, Lukas; Fraundorfer, Friedrich; Körner, Marco: Evaluation of CNN-Based Single-Image Depth Estimation Methods. Proceedings of the European Conference on Computer Vision Workshops (ECCV-WS), Springer International Publishing, 2019, 331-348 mehr…
  • Liebel, Lukas; Körner, Marco: Auxiliary Tasks in Multi-task Learning. arXiv preprint arXiv:1805.06334, 2018 mehr…
  • Liebel, Lukas: Deep Convolutional Neural Networks for Semantic Segmentation of Multispectral Sentinel-2 Satellite Imagery: An Open Data Approach to Large-Scale Land Use and Land Cover Classification. 2017 mehr…
  • Chuprikova, Ekaterina; Liebel, Lukas; Meng, Liqiu: Towards Seamless Validation of Land Cover Data. International Cartographic Conference, 2017 mehr…
  • Liebel, Lukas; Körner, Marco: Single-Image Super Resolution for Multispectral Remote Sensing Data Using Convolutional Neural Networks. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS) XLI-B3, 2016, 883--890 mehr…
  • Steuer, Horst; Machl, Thomas; Sindram, Maximilian; Liebel, Lukas; Kolbe, Thomas H.: Voluminator-Approximating the Volume of 3D Buildings to Overcome Topological Errors. In: Bacao, Fernando; Santos, Maribel Yasmina; Painho, Marco (Hrsg.): AGILE 2015: Geographic Information Science as an Enabler of Smarter Cities and Communities. Springer International Publishing, 2015, 343-362 mehr…
  • Koch, Tobias; Liebel, Lukas; Fraundorfer, Friedrich; Körner, Marco: iBims-v1. (anderer Eintrag) mehr…