Semantic Segmentation and Domain Adaptation of Aerial Images Using Binary Space Partitioning

Daniel Gritzner

doi:10.51202/9783186890108

Zusammenfassung

Die vorliegende Arbeit wendet sich an Ingenieur*innen und Wissenschaftler*innen aus der Fernerkundung. Sie befasst sich mit der semantischen Segmentierung von Luftbildern und der Domänenadaption zwischen Luftbilddatensätzen. Eine Besonderheit der Arbeit ist ein neuartiges Segmentierungsmodell, welches binäre Raumpartitionierung (binary space partitioning) nutzt, um automatisch eine Aufteilung von Luftbildern in Inhalts- und in Formmerkmale zu lernen, welche anschließend zur Segmentierung genutzt werden. Diese Aufteilung der Merkmale vereinfacht die Domänenadaption. Eine weitere Besonderheit ist das Ausnutzen von Koeffizienten von Bildern im Fourierraum, um eine Adaption des Aussehens zwischen Datensätzen zu ermöglichen. Die Arbeit demonstriert die Effektivität dieser Methoden anhand von sieben Luftbilddatensatz deutscher Städte.

Publikation durchsuchen

Bibliographische Angaben

Auflage: 1/2026
Copyrightjahr: 2026
ISBN-Print: 978-3-18-589010-9
ISBN-Online: 978-3-18-689010-8
Verlag: VDI Verlag, Düsseldorf
Reihe: Informatik/ Kommunikation
Band: 890
Sprache: Englisch
Seiten: 146
Produkttyp: Monographie

Inhaltsverzeichnis

KapitelSeiten

1. Vorwort Kein Zugriff
2. Contents Kein Zugriff
3. Acronyms Kein Zugriff
4. Notation Kein Zugriff
5. Abstract Kein Zugriff
6. Kurzfassung Kein Zugriff
1. 1.1 Motivation Kein Zugriff
2. 1.2 Structure Kein Zugriff
1. 2.1 Semantic Segmentation Kein Zugriff
2. 2.2 Domain Adaptation Kein Zugriff
1. 1. 3.1.1 Aerial Images Kein Zugriff
  2. 3.1.2 Segmentation Kein Zugriff
  3. 3.1.3 Semantic Segmentation Evaluation Metrics Kein Zugriff
  4. 3.1.4 Fourier Transform Kein Zugriff
2. 1. 3.2.1 Artificial Neural Networks Kein Zugriff
  2. 3.2.2 Whitening Kein Zugriff
  3. 3.2.3 Activation Functions Kein Zugriff
  4. 3.2.4 Normalization Kein Zugriff
  5. 3.2.5 Loss Functions Kein Zugriff
  6. 3.2.6 Backpropagation Kein Zugriff
  7. 3.2.7 Optimizers Kein Zugriff
  8. 3.2.8 Generalization Kein Zugriff
  9. 3.2.9 Convolutional Neural Networks Kein Zugriff
  10. 3.2.10 Ensemble Methods Kein Zugriff
3. 1. 3.3.1 Transfer Learning Kein Zugriff
  2. 3.3.2 Domain-Adversarial Neural Networks Kein Zugriff
  3. 3.3.3 Cycle-GAN Kein Zugriff
  4. 3.3.4 Self-Training Kein Zugriff
4. 1. 3.4.1 Binary Space Partitioning Kein Zugriff
  2. 3.4.2 Signed Distance Functions Kein Zugriff
  3. 3.4.3 Quadtrees Kein Zugriff
  4. 3.4.4 k-dTrees Kein Zugriff
1. 4.1 Model Architecture Kein Zugriff
2. 4.2 Differentiable BSP Tree Rendering Kein Zugriff
3. 4.3 Shape-optimizing Loss Function Kein Zugriff
4. 1. 4.4.1 BSP Trees as Ground Truth Kein Zugriff
  2. 4.4.2 Ablation Kein Zugriff
  3. 4.4.3 Encoder/Backbone Kein Zugriff
  4. 4.4.4 Comparison to Other Segmentation Models Kein Zugriff
  5. 4.4.5 Region Map Analysis Kein Zugriff
1. 1. 5.1.1 Patch Extraction Kein Zugriff
  2. 5.1.2 Learn Mean and Covariance Matrices Kein Zugriff
  3. 5.1.3 Compute Whitening Matrices Kein Zugriff
  4. 5.1.4 Transfer Appearance Kein Zugriff
  5. 5.1.5 Combine Transferred Patches Kein Zugriff
  6. 5.1.6 Adaptation Direction Kein Zugriff
2. 5.2 Feature Adaptation Kein Zugriff
3. 5.3 Self-Training Kein Zugriff
4. 1. 5.4.1 Appearance Adaptation Kein Zugriff
  2. 5.4.2 Full Domain Adaptation Kein Zugriff
1. 6.1 Datasets Kein Zugriff
2. 6.2 Testing Procedure Kein Zugriff
3. 6.3 Semantic Segmentation Kein Zugriff
4. 1. 6.4.1 Comparison to State of the Art Kein Zugriff
1. 7.1 Summary Kein Zugriff
2. 7.2 Future Work Kein Zugriff
Appendix A Kein Zugriff Seiten 103 - 106
Bibliography Kein Zugriff Seiten 107 - 120
Publications/Author Kein Zugriff Seiten 121 - 128