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

Advances in Uncertainty-Guided Local Climate Zone Classification

Koller, Christoph und Hechinger, Katharina und Shahzad, Muhammad und Kauermann, Göran und Zhu, Xiao Xiang (2022) Advances in Uncertainty-Guided Local Climate Zone Classification. AI4EO International Future Lab Symposium, 13.-14. Okt. 2022, Ottobrunn, Deutschland.

[img] PDF
1MB

Kurzfassung

Like many other research fields, remote sensing has been greatly impacted by machine and deep learning and benefits from technological and computational advances. In recent years, considerable effort has been spent on deriving not just accurate, but also reliable models which yield a sense of predictive uncertainty. In the particular framework of image classification, the reliability is e.g. validated by cross-checking the model’s confidence in its predictions against the resulting accuracy. Predictive uncertainties, on the other hand, can be for example used to determine expressive data samples. We investigate model reliability in the framework of Local Climate Zone (LCZ) classification, using the So2Sat LCZ42 [1] data set comprised of Sentinel-1 and Sentinel-2 image pairs. [1] X. X. Zhu, J. Hu, C. Qiu, Y. Shi, J. Kang, L. Mou, H. Bagheri, M. Haberle, Y. Hua, R. Huang et al., “So2sat lcz42: a benchmark data set for the classification of global local climate zones [software and data sets],” IEEE Geoscience and Remote Sensing Magazine, vol. 8, no. 3, pp. 76–89, 2020.

elib-URL des Eintrags:https://elib.dlr.de/189838/
Dokumentart:Konferenzbeitrag (Poster)
Titel:Advances in Uncertainty-Guided Local Climate Zone Classification
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Koller, ChristophChristoph.Koller (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Hechinger, Katharinakatharina.hechinger (at) stat.uni-muenchen.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Shahzad, MuhammadMuhammad.Shahzad (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Kauermann, Görangoeran.kauermann (at) lmu.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao Xiangxiaoxiang.zhu (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2022
Referierte Publikation:Nein
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
Status:veröffentlicht
Stichwörter:Uncertainty Quantification, Local Climate Zones, Calibration, Label Uncertainty
Veranstaltungstitel:AI4EO International Future Lab Symposium
Veranstaltungsort:Ottobrunn, Deutschland
Veranstaltungsart:nationale Konferenz
Veranstaltungsdatum:13.-14. Okt. 2022
Veranstalter :TUM
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 - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Koller, Christoph
Hinterlegt am:11 Nov 2022 10:48
Letzte Änderung:14 Mär 2023 17:30

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.