elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Earth Observation Big Data Intelligence: theory and practice of deep learning and big data mining

Datcu, Mihai und Xu, Feng und Hirose, Akira (2019) Earth Observation Big Data Intelligence: theory and practice of deep learning and big data mining. IGARSS 2019, 2019-07-28 - 2019-08-02, Yokohama, Japan.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://igarss2019.org/Tutorials.asp#FD4

Kurzfassung

In the big data era of earth observation, deep learning and other data mining technologies become critical to successful end applications. Over the past several years, there has been exponentially increasing interests related to deep learning techniques applied to remote sensing including not only hyperspectral imagery but also synthetic aperture radar (SAR) imagery. This tutorial has the following three parts. The first part introduces the basic principles of machine learning, and the evolution to deep learning paradigms. It presents the methods of stochastic variational and Bayesian inference, focusing on the methods and algorithms of deep learning generative adversarial networks. Since the data sets are organic part of the learning process, the EO dataset biases pose new challenges. The tutorial answers to open questions on relative data bias, cross-dataset generalization, for very specific EO cases as multispectral, SAR observation with a large variability of imaging parameters and semantic content. The second part introduces the theory of deep neural networks and the practices of deep learning-based remote sensing applications. It introduces the major types of deep neural networks, the backpropagation algorithms, programming toolboxes, and several examples of deep learning-based remote sensing imagery processing. The last part focuses upon data treatment of and applications to phase and polarization in SAR data. Since SAR is a coherent observation, its data properties are quite special and useful for our social activities to provide us with specific feature extraction and discovery. This part deals with deep learning in complex-amplitude and polarization domains as well as so-called data structuration of such multimodal processing.

elib-URL des Eintrags:https://elib.dlr.de/131017/
Dokumentart:Konferenzbeitrag (Vorlesung)
Titel:Earth Observation Big Data Intelligence: theory and practice of deep learning and big data mining
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Datcu, MihaiMihai.Datcu (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Xu, Fengfengxu (at) fudan.edu.cnNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Hirose, AkiraThe University of TokyoNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2019
Referierte Publikation:Nein
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
Status:veröffentlicht
Stichwörter:Earth Observation, Big Data Intelligence
Veranstaltungstitel:IGARSS 2019
Veranstaltungsort:Yokohama, Japan
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:28 Juli 2019
Veranstaltungsende:2 August 2019
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Vorhaben hochauflösende Fernerkundungsverfahren (alt)
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Karmakar, Chandrabali
Hinterlegt am:04 Dez 2019 14:55
Letzte Änderung:24 Apr 2024 20:34

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.