Lukas Liebel, M.Sc.

Lukas Liebel wurde 1989 in München geboren. Im Juni 2017 schloss er sein Studium mit dem M.Sc. im Fach Geodäsie und Geoinformation and der Technischen Universität München (TUM) ab. Seine Masterarbeit trägt den Titel "Deep Convolutional Neural Networks for Semantic Segmentation of Multispectral Sentinel-2 Satellite Imagery: An Open Data Approach to Large-Scale Land Use and Land Cover Classification". Seit Juli 2017 ist er Doktorand an der TUM und arbeitet als Teil der Computer Vision Research Group am Lehrstuhl für Methodik der Fernerkundung. Sein Interesse liegt dabei darin, Methoden aus dem Bereich Deep Learning für Anwendungen der Fernerkundung nutzbar zu machen, insbesondere die semantische Segmentierung von Erdbeobachtungsdaten, sowie die Prädiktion von Video Frames für das autonome Fahren.

Forschung

Schwerpunkte

  • Computer Vision
  • Convolutional Neural Networks
  • Multi-task Learning
  • Autonomes Fahren
  • Prädiktion von Videoframes
  • Fernerkundung
  • Land Use and Land Cover Classification
  • Volunteered Geographic Information

Projekte

Multi-task Learning

Viele Anwendungen wie die Interpretation von Straßenräumen für das autonome Fahren erfordern die Lösung verschiedener Aufgaben auf Grundlage digitaler Bilder. Die zu extrahierenden Informationen spiegeln dabei typischerweise verschiedene Aspekte identischer Objekte der physischen Welt wieder. Dieses Wissen um bestehende Korrelationen zwischen den Tasks kann ausgenutzt werden um die einzelnen Tasks effizienter und mit höherer Genauigkeit lösen zu können.

Prädiktion von Bildfolgen aus FAS-Videosequenzen durch implizite Modellierung von Aktivitätsmustern

Die Sicherheit von autonomen Fahrsystemen ist stark abhängig von einer vorausschauenden Fahrweise der autonomen Fahrzeuge. Ziel dieses Projekts ist es, die Fähigkeit des menschlichen Gehirns zukünftige Ereignisse zu prädizieren, nachzubilden. Mit Hilfe aktueller Methoden der Computer Vision und des maschinellen Lernens werden auf Grundlage von beobachteten Bildsequenzen zukünftige Bildfolgen eines Videos generiert, aus denen Vorhersagen zum Verkehrsgeschehen abgeleitet werden. Die vom System gelernten Merkmale werden zudem genutzt um Verkehrsumgebungen und Aktionsmuster von Verkehrsteilnehmern zu modellieren und analysieren.

CNN-basierte großräumige Landnutzungs- und Landbedeckungsklassifizierung

In diesem Projekt sollen Methoden zur Landnutzungs- und Landbedeckungsklassifizierung mit Hilfe von Convolutional Neural Networks entwickelt werden. Trainingsdaten werden quasi-automatisch aus frei verfügbaren Geodaten (OpenStreetMap) und multispektralen Sentinel-2 Bildern gewonnen.

Lehre

Lehrveranstaltungen

  • Bildverstehen - Vertiefte Methoden (Übung, Master Geodäsie und Geoinformation)

Betreute Studentenprojekte

  • "Google Earth Engine: A Multi-Petabyte Catalog of Geospatial Datasets with Planetary-Scale Analysis Capabilities", Nazar Suchoronczak, Geodätisches Seminar, WS 17/18
  • "Computer Vision with a Passion for Fashion: How Visual Computing steps into Daily Life", Lena Wagner, Geodätisches Seminar, WS 18/19 (WIP)
  • "How to Predict the Unpredictable? Estimating Depth from Single Views with Deep Neural Networks", Baturalp Arisoy, Geodätisches Seminar, WS 18/19 (co-betreut von Tobias Koch, WIP)
  • "Single-Image Super-Resolution of Multispectral Sentinel-2 Imagery", Lena Wagner, Vertiefungsprojekt Photogrammetrie und Fernerkundung, WS 18/19 (WIP)
  • "Enhancing CNN-based Single-Image Depth Estimation Methods", Felix Gummel, Vertiefungsprojekt Photogrammetrie und Fernerkundung, WS 18/19 (co-betreut von Tobias Koch, WIP)

Betreute Abschlussarbeiten

  • "Evaluierung von Methoden zur monokularen Tiefenschätzung", Oliver Geißendörfer, Bachelorarbeit, 2018

Publikationen

  • Koch, Tobias; Liebel, Lukas; Fraundorfer, Friedrich; Körner, Marco: Evaluation of CNN-Based Single-Image Depth Estimation Methods. Proceedings of the European Conference on Computer Vision Workshops (ECCV-WS), Springer International Publishing, 2019 mehr…
  • Liebel, Lukas; Körner, Marco: Auxiliary Tasks in Multi-task Learning. arXiv preprint arXiv:1805.06334, 2018 mehr…
  • Liebel, Lukas: Deep Convolutional Neural Networks for Semantic Segmentation of Multispectral Sentinel-2 Satellite Imagery: An Open Data Approach to Large-Scale Land Use and Land Cover Classification. 2017 mehr…
  • Chuprikova, Ekaterina; Liebel, Lukas; Meng, Liqiu: Towards Seamless Validation of Land Cover Data. International Cartographic Conference, 2017 mehr…
  • Liebel, Lukas; Körner, Marco: Single-Image Super Resolution for Multispectral Remote Sensing Data Using Convolutional Neural Networks. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS) XLI-B3, 2016, 883--890 mehr…
  • Steuer, Horst; Machl, Thomas; Sindram, Maximilian; Liebel, Lukas; Kolbe, Thomas H.: Voluminator-Approximating the Volume of 3D Buildings to Overcome Topological Errors. In: Bacao, Fernando; Santos, Maribel Yasmina; Painho, Marco (Hrsg.): AGILE 2015: Geographic Information Science as an Enabler of Smarter Cities and Communities. Springer International Publishing, 2015, 343-362 mehr…
  • Koch, Tobias; Liebel, Lukas; Fraundorfer, Friedrich; Körner, Marco: iBims-v1. (anderer Eintrag) mehr…