Efficiënte deep learning-workflows en nieuwe neurale netwerkarchitectuur voor het omzetten van teledetectiegegevens in geo-indicatoren

Up-to-date, hoogwaardige, ruimtelijk expliciete informatie is essentieel om managers en beleidsmakers te informeren over de toestand van onze steeds dynamischer wordende omgeving. Het stelt hen in staat om effectieve beleidsinstrumenten te ontwikkelen en de voortgang in de richting van nationale en internationale milieudoelstellingen te volgen. Diep leren kan in dit opzicht een nuttig hulpmiddel zijn bij het omgaan met de rijke beeldgegevensbron. Maar vanwege de aard van het grote volume en de variëteiten van onze gegevens, naast de beperkingen van moderne neurale netwerkarchitecturen, moeten technieken zoals kalibratie en gecombineerde training zorgvuldig worden onderzocht en vervolgens worden geïmplementeerd om een hoge betrouwbaarheid van de output van ons aangepaste neurale netwerkmodel te garanderen. . Het doel van ons project is om eerst verschillende SOTA-netwerkarchitecturen te onderzoeken, hun prestaties als uitgangspunt te nemen en ze dienovereenkomstig aan te passen voor ons gebruiksdoel. Vervolgens manieren onderzoeken om de nauwkeurigheid, betrouwbaarheid en efficiëntie ervan te verbeteren door middel van probabilistische en technische middelen. Laatste om het netwerkmodel te testen en te implementeren op real-world use cases zoals stadsplanning en rampenvoorspelling, enz.