PreTrainAppEO

Deep Learning Ansätze erzielen heutzutage eine sehr gute Leistung und Genauigkeit. Für den Fall, dass allerdings nur eine kleine Menge an Daten für den jeweiligen Anwendungsfall vorliegt, können die Modelle oft schlecht generalisieren. Dies hat zur Folge, dass der Trainingsaufwand und die zeitintensive Datensatzerfassung für jeden neuen Anwendungsfall wiederholt werden müssen, was zu hohen Kosten in der Anwendungsentwicklung führt. Leider existieren aktuell noch keine vortrainierten Modelle, wie ResNet oder VGG, für die Anwendung in der Fernerkundung oder Erdbeobachtung. Das Projekt PreTrainAppEO zielt darauf ab, den Einsatz von KI im Bereich der Erdbeobachtung und Fernerkundung attraktiver und effizienter zu machen, indem eine Methodik entwickelt wird, die den Ansatz von vortrainierten KI-Modellen nutzt, um eine bessere Generalisierung auf verschiedene Standardanwendungsfälle in dem jeweiligen Bereich zu erreichen. In diesem Sinne untersuchen und vergleichen wir die Leistungen verschiedener Meta-Learning-Ansätze mit denen des Transfer-Learnings. Meta-Learning basiert auf der Idee, eine Vielzahl von Daten aus anderen, verwandten Aufgaben zu verwenden, um dem Modell beizubringen, sich an unbekannte Szenarien anzupassen und dann eine neue Aufgabe effizienter aus einer kleinen Menge von Daten zu lernen. Das Projekt wird von der Deutschen Raumfahrtagentur im DLR im Auftrag des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK) gefördert.