Computer Vision Research Group

Mitglieder

Gruppenleiter

Dr. rer. nat. Marco Körner

Doktoranden

Tobias KochSandra AignerLukas Liebel
Ksenia BittnerSeyed Majid AzimiBasil Kraft
Marc Rußwurm

Studentische Hilfskräfte

Juan Raul Padron GriffeLuka Sachße

arXiv Feed

  • Rußwurm, Marc; Lefèvre, Sébastien; Courty, Nicolas; Emonet, Rémi; Körner, Marco; Tavenard, Romain: End-to-end Learning for Early Classification of Time Series. arXiv preprint arXiv:1901.10681, 2019 mehr…
  • Liebel, Lukas; Körner, Marco: Auxiliary Tasks in Multi-task Learning. arXiv preprint arXiv:1805.06334, 2018 mehr…
  • Azimi, Seyed Majid; Vig, Eleonora; Bahmanyar, Reza; Körner, Marco; Reinartz, Peter: Towards Multi-class Object Detection in Unconstrained Remote Sensing Imagery. arXiv preprint arXiv:1807.02700, 2018 mehr… Volltext ( DOI )

Projekte

Monokulare Tiefenschätzung

Die Erstellung von Tiefenkarten ist essentiell für zahlreiche Anwendungen, wie z.B. autonomes Fahren oder Augmented Reality. Typischerweise werden diese aus Stereobild-Paaren oder mit Hilfe von aktiven Sensoren (wie z.B. LiDAR oder RGB-D Kameras) generiert. Angelehnt an die monokulare Tiefenwahrnehmung des Menschen, widmet sich dieses Projekt hingegen der Schätzung von Tiefenkarten aus Einzelbildern mittels künstlicher neuronaler Netze.

MAV 4 BIM

Dieses Projekt beschäftigt sich mit der Erstellung von vollständigen und hochauflösenden 3D Gebäudemodellen aus Bildsequenzen von Micro Aerial Vehicles (MAVs). Neben der Rekonstruktion und Georeferenzierung von 3D Gebäudeaußenmodellen, soll ebenfalls das Gebäudeinnere aus unabhängigen Innenflügen modelliert werden. Eine automatische Registrierung von Gebäudeinnen- und außenmodellen ermöglicht die Erstellung von LOD-4 Gebäudemodellen.

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.

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.

Modellierung von Verkehrsinfrastrukturen

Die Modellierung von Verkehrsinfrastrukturen wird immer wichtiger, insbesondere seit autonome Fahrsysteme Teil der nahen Zukunft zu sein scheinen. Im Zuge dieses Projekts werden Algorithmen zur Prozessierung von Kameraaufnahmen aus Fahrzeugen entwickelt um alle verkehrsrelevanten Objekte, wie z.B. Verkehrsteilnehmer und Infrastrukturelemente, zu erfassen. Ergänzend zu den Informationen aus Bodenaufnahmen werden Luftbilder genutzt um Gruppenverhalten zu analysieren und das Verkehrsgeschehen vorherzusagen.

Publikationen

  • Aigner, Sandra; Körner, Marco: FutureGAN: Anticipating the Future Frames of Video Sequences using Spatio-Temporal 3d Convolutions in Progressively Growing GANs. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS) (tbp), 2019 mehr…
  • Hödel, Max; Koch, Tobias; Hoegner, Ludwig; Stilla, Uwe: Monocular-Depth Assisted Semi-Global-Matching. International Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences (ISPRS) (tbp), 2019 mehr…
  • Koch, Tobias; Körner, Marco; Fraundorfer, Friedrich: Automatic and Semantically-Aware 3D UAV Flight Planning for Image-Based 3D Reconstruction. Remote Sensing 11 (13), 2019 mehr…
  • 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…
  • König, Peter; Aigner, Sandra; Körner, Marco: Enhancing Traffic Scene Predictions with Generative Adversarial Networks. Proceedings of the IEEE Intelligent Transportation Systems Conference (ITSC), 2019 mehr…
  • Rußwurm, Marc; Lefèvre, Sébastien; Courty, Nicolas; Emonet, Rémi; Körner, Marco; Tavenard, Romain: End-to-end Learning for Early Classification of Time Series. arXiv preprint arXiv:1901.10681, 2019 mehr…
  • Liebel, Lukas; Körner, Marco: Auxiliary Tasks in Multi-task Learning. arXiv preprint arXiv:1805.06334, 2018 mehr…
  • Azimi, Seyed Majid; Vig, Eleonora; Bahmanyar, Reza; Körner, Marco; Reinartz, Peter: Towards Multi-class Object Detection in Unconstrained Remote Sensing Imagery. arXiv preprint arXiv:1807.02700, 2018 mehr…
  • Azimi, Seyed Majid; Fischer, Peter; Körner, Marco; Reinartz, Peter: Aerial LaneNet: Lane Marking Semantic Segmentation in Aerial Imagery using Wavelet-Enhanced Cost-sensitive Symmetric Fully Convolutional Neural Networks. IEEE Transactions on Geoscience and Remote Sensing, 2018 mehr…
  • Rußwurm, Marc; Körner, Marco: Multi-Temporal Land Cover Classification with Sequential Recurrent Encoders. ISPRS International Journal of Geo-Information 7 (4), 2018, 129 mehr…