Forschung

Dieses Projekt beschäftigt sich mit der Erstellung von vollständigen und hochauflösenden 3D Gebäudemodellen aus Bildsequenzen von Micro Aerial Vehicles (MAVs). Neben der Rekonstruktion und Georeferenzierung von 3D Gebäudeaußenmodellen, soll ebenfalls das Gebäudeinnere aus unabhängigen Innenflügen modelliert werden. Eine automatische Registrierung von Gebäudeinnen- und außenmodellen ermöglicht die Erstellung von LOD-4 Gebäudemodellen.

Landnutzungs- und Landbedeckungsklassifizierung ist eine altbekannte Aufgabe der Fernerkundung. In diesem Projekt sollen Methoden zur Klassifizierung mit Hilfe von Convolutional Neural Networks (CNNs) entwickelt werden. Trainingsdaten werden quasi-automatisch aus frei verfügbarer Volunteered Geographic Information und multispektralen Sentinel-2 Bildern gewonnen. Mit Hilfe des erstellten Datensatzes konnte ein CNN zur großräumigen Landnutzungs- und Landbedeckungsklassifizierung antraininert werden.

Die Sicherheit von autonomen Fahrsystemen ist stark abhängig von einer vorausschauenden Fahrweise der autonomen Fahrzeuge. Ziel dieses Projekts ist es, die Fähigkeit des menschlichen Gehirns zukünftige Ereignisse zu prädizieren, nachzubilden. Mit Hilfe aktueller Methoden der Computer Vision und des maschinellen Lernens werden auf Grundlage von beobachteten Bildsequenzen zukünftige Bildfolgen eines Videos generiert, aus denen Vorhersagen zum Verkehrsgeschehen abgeleitet werden. Die vom System gelernten Merkmale werden zudem genutzt um Verkehrsumgebungen und Aktionsmuster von Verkehrsteilnehmern zu modellieren und analysieren.

Die Modellierung von Verkehrsinfrastruktur basierend auf Luftbildern und Bodenaufnahmen wird immer wichtiger, insbesondere seit autonome Fahrsysteme Teil der nahen Zukunft zu sein scheinen. Im Zuge dieses Projekts werden Algorithmen zur Prozessierung von Kameraaufnahmen aus Fahrzeugen entwickelt. Diese Algorithmen sollen in der Lage sein, alle verkehrsrelevanten Objekte, wie z. B. Verkehrsteilnehmer und Infrastrukturelemente, zu erfassen. Ergänzend zu den Informationen aus Bodenaufnahmen werden Luftbilder genutzt um Gruppenverhalten zu analysieren und das Verkehrsgeschehen vorherzusagen.

Traditionelle Methoden zur Klassifizierung der Bodenbedeckung konzentrieren sich auf spektrale und texturelle Merkmale. Manche Klassen, beispielsweise Nutzpflanzen, ändern ihre spektrale Signatur über die Zeit auf eine charakteristische Art und Weise, welche für Klassifizierung genutzt werden kann. Wir verwenden künstliche Long Short-Term Memory neurale Netze, welche in Anwendungsfeldern, wie Spracherkennung, Bildbeschreibung und Textgenerierung eingesetzt werden um multi-temporale Vegetationscharakteristiken zu lernen und nutzen diese beispielsweise zur Klassifikation von Nutzpflanzen.

As city is the central place people living and information spreading, three dimensional urban reconstruction not only has great significance, but it is also one urgent problem that people want to resolve. The three dimensional urban models play an important role in traffic, terra, mine, survey, and other fields, especially in city planning, construction, and environmentology. Modern spaceborne SAR sensors such as TerraSAR-X X, Tandem-X and COSMO-SkyMed can deliver meter-resolution data that fits well to the inherent spatial scales of buildings. This very high resolution (VHR) data is therefore particularly suited for detailed urban mapping. Therefore, to develop an InSAR data based reconstruction algorithms is highly relevant.

The project aims at developing a monitoring and early warning system for cyanobacterial blooms and at researching factors influencing harmful algae bloom formation, toxicity and collapse. Bio-optical models based on radiative transfer theory allow the simulation of measured sensor signal covering relevant spectral bands and possible concentrations of optically active components in side the water. Optical data obtained during field campaigns are used for inversion studies and validation of remote sensing data.

The S-5P mission is the first of the Sentinel series missions dedicated to the atmospheric composition monitoring. The instrument on board is the TROPOspheric Monitoring Instrument (TROPOMI) equipped with four spectrometers covering the UV-VIS-NIR-SWIR part of the solar spectrum. Within this spectrum, a number of trace gases and atmospheric components can be retrieved. The cloud retrieval algorithm called ROCINN (Retrieval of Cloud Information using Neural Network) makes use of the absorption of O2 A-band molecule in the near infrared band. The high spatial resolution of TROPOMI is advantageous compared to previous missions (e.g., GOME2) because it will increase the frequency of cloud free pixels and this will allow the computation of tropospheric trace gases for larger areas.

TUM-DLR Multimodal Benchmark
IBims1
Mavmap
fields RNN
Single-Image Super Resolution for Multispectral Images
3D Localization and Motion Estimation of PSI
Realtime 3D-Reconstruction from Image Sequences
4D-SAR
Automated Vehicle Tracking in Aerial Images
DeSecure
IGSSE "Dynamic Earth"
Exupéry
Interpretation of People Trajectories from Image Sequences
Monitoring of Volcanic SO2 Emissions
Radar Simulation for Understanding Spaceborne SAR Images
IGSSE "Safe Earth"
Tracking of Vehicles in Complex Large Urban Environments
Straßenextraktion aus digitalen Luftbildern
SVD for Persistent Scatterer Interferometry
Tomopolis
IGSSE "4D City"