- Boosting crop classification by hierarchically fusing satellite, rotational, and contextual data. Remote Sensing of Environment 305, 2024 mehr… Volltext ( DOI )
- EuroCrops: The Largest Harmonized Open Crop Dataset Across the European Union. Nature Scientific Data 10 (1), 2023 mehr… Volltext ( DOI )
- Geodata Discoverabiltity. , Hrsg.: European Spatial Data Research (EuroSDR), 2023, mehr… Volltext (mediaTUM)
- XAI for Early Crop Classification. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2023 mehr…
- Harnessing Administrative Data Inventories to Create a Reliable Transnational Reference Database for Crop Type Monitoring. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), IEEE, 2022 mehr… Volltext ( DOI )
- Challenges and Opportunities of Large Transnational Datasets: A Case Study on European Administrative Crop Data. Workshop on Broadening Research Collaborations, 2022Advances in Neural Information Processing Systems (NeurIPS) mehr… Volltext ( DOI )
- [Re] Satellite Image Time Series Classification with Pixel-Set Encoders and Temporal Self-Attention. ReScience C 7 (2), 2021 mehr… Volltext ( DOI ) Volltext (mediaTUM)
- EuroCrops: A Pan-European Dataset for Time Series Crop Type Classification. Proceedings of the 2021 Conference on Big Data from Space (BiDS '21), Publications Office of the European Union, 2021, 125-128 mehr… Volltext ( DOI ) Volltext (mediaTUM)
- TinyEuroCrops. (anderer Eintrag) mehr… Volltext ( DOI )
Maja Schneider, M.Sc.
Biographie
Maja Schneider wurde 1994 in Augsburg geboren. Nach Vollendung eines interdisziplinären Bachelors in den Bereichen Informatik, Elektrotechnik und Geodäsie an der Hochschule München wechselte sie für ihren Master an die Technische Universität München (TUM). Dort schloss sie mit einem M.Sc. ihr Studium im Fach Robotics, Cognition, Intelligence mit dem Schwerpunkt Machine Learning im März 2020 ab. Seit Juli 2020 arbeitet sie als wissenschaftliche Mitarbeiterin und Doktorandin am Lehrstuhl für Methodik der Fernerkundung der TUM in der Computer Vision Research Group.
Ihre Forschungsinteressen beinhalten die theoretischen Aspekte und Erklärbarkeit von Machine Learning und Deep Learning Modellen und deren Anwendbarkeit auf Erbeobachtungsdaten.
Forschung
Schwerpunkte
- Forschungsthema: Zeitserien und Erklärbarkeit
- Computer Vision, Maschinelles Lernen, Deep Learning
- Fernerkundung (Erdbeobachtung, multi-spektral, optisch)
Projekte
EuroCrops (BMWI/DLR)
EuroCrops ist ein Datensatz zur automatischen Vegetationsklassifikation aus multispektralen und multitemporalen Satellitendaten, annotiert mit offiziellen LIPS-Meldedaten aus Ländern der Europäischen Union, kuratiert von der Technischen Universität München und der GAF AG. Das Projekt wird von der Deutschen Raumfahrtagentur im DLR im Auftrag des BMWI (Bundesministerium für Wirtschaft und Energie) gefördert. Dieser Datensatz ist für Forschungszwecke öffentlich zugänglich, mit der Idee, bei der Subventionskontrolle von landwirtschaftlichen Selbstdeklarationen zu helfen.
Global Earth Monitor (H2020)
Das Projekt Global Earth Monitor stellt sich der Herausforderung der kontinuierlichen Überwachung großer Gebiete auf nachhaltige und kostengünstige Weise. Das Ziel des Projekts ist die Etablierung eines neuen disruptiven Verwertungsmodells für Erdbeobachtungsdaten, welches die Nutzung der Copernicus-Daten drastisch verbessern wird.
Publikationen
Lehre
Lehrveranstaltungen
Betreute Abschlussarbeiten und Projekte
Vertiefungsprojekte:
- “Super-Resolution with implicit neural representations” Johann Maximilian Zollner, Vertiefungsprojekt Photogrammetrie und Fernerkundung, WS 20/21
- “Uncertainty and Unknown classes for Land Cover Classification” Yixuan Wang, Vertiefungsprojekt Photogrammetrie und Fernerkundung, WS 20/21