ALBERT

Note: Zusammenfassungen in deutscher und englischer Sprache

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2017 , Contents 1 Introduction 1.1 Motivation, research questions and overview 1.1.1 Rainfall estimation at high spatial and temporal resolution 1.1.2 Precipitation estimation with cars 1.1.3 Motion estimation from in-situ sensor data 1.2 Outline 2 Basics 2.1 Precipitation 2.1.1 Resolution, accuracy and precision of precipitation measurements 2.1.2 In-situ point measurements of precipitation by rain gauges 2.1.3 Weather radar 2.2 Wireless Sensor Networks 2.2.1 Modeling sensor networks 2.2.2 Sensor network algorithms and protocols 2.3 Statistics 2.3.1 Basics and notation 2.3.2 Regression 2.3.3 Stochastic processes 2.3.4 Stochastic filtering and the Kalman filter 2.3.5 Geostatistics 2.4 Interpolation methods 2.4.1 Inverse-Distance-Weighted 2.4.2 Ordinary kriging 2.4.3 Regression kriging 2.4.4 Cross-validation for performance assessment 2.5 Optical flow 2.5.1 Optical flow intensity conservation 2.5.2 Gradient-based optical flow 2.5.3 Probabilistic optical flow 3 Related Work 3.1 Quantitative precipitation estimation from rain gauges, weather radar and other data sources 3.1.1 Precipitation estimation with weather radar 3.1.2 Precipitation estimation by interpolation of rain gauges measurements 3.1.3 Geostatistical merging of radar and rain gauge data 3.1.4 Motion-based methods used in nowcasting 3.1.5 New data sources for precipitation estimation 3.2 Decentralized estimation with geosensor networks 3.2.1 Estimation of spatio-temporal field properties with GSN 3.2.2 Object-tracking with GSN 4 Methodology for precipitation intensity estimation at 1-min resolution 4.1 Time-window approach for estimation 4.1.1 Estimation of field motion 4.1.2 Weather radar upsampling 4.1.3 Variogram estimation 4.2 Estimation methods 4.2.1 Spatial rain gauge interpolation methods 4.2.2 Space-time symmetric rain gauge interpolation method 4.2.3 Space-time asymmetric rain gauge interpolation methods 4.2.4 Radar-rain gauge merging methods 4.2.5 Estimation methods solely based on radar 4.3 Summary 5 Methodology for precipitation intensity estimation with car sensors 5.1 Car sensors 5.1.1 Wiper Frequency Sensor 5.1.2 Xanonex optical sensor 5.1.3 Other sensors investigated 5.1.4 Experimental setup and preprocessing 5.2 Theoretical considerations for the calibration of the W-R relationship in the field . 5.3 Dependency between car speed, windscreen angle and sensor readings 5.3.1 Manually-operated windscreen wipers 5.3.2 Automatically-operated windscreen wipers 5.3.3 Xanonex optical sensor 5.4 Summary 6 Methodology for motion estimation with a geosensor network 6.1 Algorithm overview 6.2 Network and field model 6.3 Gradient constraint estimation in the network 6.3.1 Gradient constraint estimation from irregular data 6.3.2 Requirements on node stationarity and sampling synchronicity 6.3.3 Estimation of partial derivative error 6.3.4 Gradient constraint selection and derivation of gradient constraint error 6.4 Temporal coherence: Kalman filter for recursive motion estimation 6.4.1 Estimation of process noise Q 6.4.2 Estimation of measurement noise R 6.4.3 Difference to common Kalman filtering problems 6.5 Algorithm protocol 6.6 Algorithm complexity 6.6.1 Communication complexity 6.6.2 Load balance 6.6.3 Computational complexity of partial derivative estimation 6.6.4 Computational complexity of motion estimation 6.7 Summary 7 Results 7.1 Precipitation intensity estimation at 1-min resolution 7.1.1 Study area and data basis 7.1.2 Performance assessment via cross-validation 7.1.3 Exploratory and visual data analysis 7.1.4 Radar estimation and rain gauge cross-validation results 7.1.5 Summary 7.2 Precipitation intensity estimation with cars 7.2.1 Study area and data basis 7.2.2 Selection of the reference method 7.2.3 Manually-operated windscreen wipers 7.2.4 Automatically-operated windscreen wipers 7.2.5 Xanonex optical rain sensor 7.2.6 Results of experiments on the VW rain track 7.2.7 Summary 7.3 Motion estimation with a geosensor network 7.3.1 Study Area, sensor network and deployment strategies 7.3.2 Error measures 7.3.3 Setting the filter parameters 7.3.4 Results - simulated field 7.3.5 Results - radar field 7.3.6 Summary 8 Summary and discussion of the research hypotheses 8.1 Discussion of research hypotheses 1 and 2: 1-min precipitation intensity estimation 8.2 Discussion of research hypothesis 3: precipitation estimation with cars 8.3 Discussion of research hypothesis 4: decentralized motion estimation 8.4 Outlook 9 Appendix 9.1 Discussion on the 'frozen field' distance function 9.2 Executable Kalman filter equations for the motion estimation algorithm 9.3 Controllability and Observability of the Kalman filter for motion estimation List of Figures List of Tables References

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2018 , Contents List of figures List of tables 1 Introduction 1.1 Motivation 1.2 Meeting points for shared rides 1.3 Research questions 2 Fundamentals 2.1 Mathematical optimization 2.1.1 Linear Programming 2.1.2 Integer Programming 2.1.3 Combinatorial Optimization 2.1.4 Dynamic Programming 2.1.5 Set cover problem 2.2 Vehicle routing problems (VRP) 2.2.1 The basic VRP 2.2.2 Dial-a-ride problem (DARP) 2.3 Ride-Sharing 2.3.1 Mathematical formulation 2.3.2 Methods 2.3.3 Carpooling 3 Meeting points forshared rides: state of the art 3.1 Meeting points 3.1.1 Meeting points as destination 3.1.2 Intermediate meeting points 3.2 Knowledge gap 4 Real-world meeting points 4.1 Survey based on questionnaire 4.1.1 Setting 4.1.2 Results 4.2 Map-based survey 4.2.1 Setting 4.2.2 Results 5 Study area and data 5.1 Street network 5.2 Meeting point candidates 5.3 Public transport network 5.4 Demand 6 Meeting points for intra urban ride-sharing 6.1 Motivation 6.2 Basic matching problem 6.2.1 Mathematical model 6.2.2 Matching problem 6.3 Simulation experiments 6.3.1 Baseline scenario 6.3.2 Door-to-door service 6.3.3 Convenience-based matching 6.3.4 Meeting point reduction 6.4 Discussion 7 Meeting point recommendations for long-distance ride-sharing 7.1 Motivation 7.2 Proposed method 7.2.1 Preparation phase 7.2.2 Precomputing phase 7.2.3 Operational phase 7.3 Simulation experiment 7.3.1 Simulation setting 7.3.2 Results 7.4 Discussion 8 Meeting points for demand-responsive transportation 8.1 Motivation 8.2 Proposed method 8.2.1 Clustering 8.2.2 Meeting Point Candidates Selection 8.2.3 Route Optimization with Final Meeting Points Selection 8.3 Simulation experiment 8.3.1 Simulation setting 8.3.2 Results 8.4 Discussion 9 Conclusion Reference list Curriculum vitae

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2021 , Inhaltsverzeichnis 1 Problemstellung 2 Stand der Forschung: Literaturreview und Beurteilung 2.1 Die Boden- und Gebäudewertermittlung aus Kaufpreisen bebauter Grundstücke 2.1.1 Beiträge zur Bodenwertableitung oder Repartition mittels Umkehrung der Wertermittlungsverfahren 2.1.2 Beiträge zur Bodenwertableitung oder Repartition mittels konstantem Verteilungsschlüssel 2.1.3 Beiträge zur Bodenwertableitung oder Repartition mittels sachverständigem Ermessen 2.1.4 Beiträge zur Bodenwertableitung oder Repartition mittels sonstiger Ansätze 2.1.5 Beiträge zur Bodenwertableitung oder Repartition ohne Benennung eines spezifischen Ansatzes 2.2 Bodenwertermittlung über den direkten und indirekten Preisvergleich 2.2.1 Verfahren des direkten Preisvergleichs 2.2.2 Verfahren des indirekten Preisvergleichs 2.3 Zusammenfassung und Beurteilung der Verfahren zur Bodenwertermittlung und Repartition 3 Zielstellung und Methodik 3.1 Forschungslücke und Forschungsbeitrag 3.2 Eingrenzung der Untersuchung 3.3 Methodik 4 Die Bodenwertableitung aus Kaufpreisen bebauter Grundstücke (Ziel 1) 4.1 Definition wesentlicher Begriffe 4.1.1 Der Marktteilnehmer 4.1.2 Preis und Wert 4.1.3 Die Trennung von Boden und Gebäude 4.2 Prozess der Kaufentscheidung 4.3 Verhalten des Marktteilnehmers 4.4 Dem Marktteilnehmer zugängliche Marktdaten 4.5 Mathematischer Ansatz 4.6 Erläuterungen zu den Merkmalen 4.7 Die kausale Unabhängigkeit von Gebäude- und Bodenwertanteil 4.8 Regressionsanalyse – Verfahrenswahl 4.9 Die Regressionsanalyse mit partieller Modellauflösung unter Anwendung des Normierungsprinzips gemäß Mann (2004) 4.9.1 Das Verfahren im Überblick 4.9.2 Schritt 1: Teilmarktdefinition 4.9.3 Schritt 2: Klassierung der Merkmalsausprägungen 4.9.4 Schritt 3: Regressionsanalyse 4.9.5 Schritt 4: Partielle Zerlegung und Normierung 4.10 Bodenrichtwerte aus Kaufpreisen bebauter Grundstücke 5 Fallstudien, Parameterschätzung und Validierung 5.1 Innere und äußere Genauigkeit 5.2 Datenbasis – Wahl der Testregionen und des Untersuchungszeitraums 5.3 Parameterschätzung – Empirische Untersuchung anhand ausgewählter Fallstudien 5.3.1 Einführende Hinweise 5.3.2 Dresden, Doppelhaushälften 5.3.3 Dresden, Freistehende Einfamilienhäuser 5.3.4 Düsseldorf, Doppelhaushälften 5.3.5 Düsseldorf, Freistehende Einfamilienhäuser 5.3.6 Frankfurt a. M., Doppelhaushälften 5.3.7 Frankfurt a. M., Freistehende Einfamilienhäuser 5.3.8 Freiburg i. Br., Doppelhaushälften 5.3.9 Freiburg i. Br., Freistehende Einfamilienhäuser 5.3.10 Hannover, Doppelhaushälften 5.3.11 Hannover, Freistehende Einfamilienhäuser 5.3.12 Stuttgart, Doppelhaushälften 5.3.13 Stuttgart, Freistehende Einfamilienhäuser 5.4 Innere Genauigkeit 5.4.1 Diskussion der Ergebnisse 5.4.2 Eine Besonderheit in Hannover? 5.5 Die multiple lineare Regression im Vergleich 5.5.1 Lösung des Modells mithilfe der Methode der klassischen multiplen linearen Regression 5.5.2 Überführung des Regressionsmodells in eine einfache lineare Form 5.5.3 Vergleich der Ergebnisse 5.5.4 Die Frage der Objektivierung 5.5.5 Zur Bestätigung der Verfahrenswahl 5.6 Äußere Genauigkeit – Validierung des Verfahrens 5.7 Anwendungsbeispiel 6 Die überregionale Vergleichbarkeit des Preisbildungsmechanismus 6.1 Die Korrekturfunktionen fk(BW ), gk(FL) und uk(GSW ) 6.2 Der Normpreis N 6.3 Fazit 7 Die Repartition von Kaufpreisen bebauter Grundstücke (Ziel 2) 7.1 Entwicklung eines Ansatzes zur Repartition 7.2 Bedeutung und Interpretation der korrigierten Konstanten β0 korr 7.3 Plausibilisierung der Interpretation der korrigierten Konstanten β0 korr durch Expertenbefragung 7.4 Diskussion und Schlussfolgerungen aus dem Repartitionsansatz 7.5 Modellgröße und Marktgröße vs. Markttransparenz 8 Schlussbetrachtung 8.1 Methodenkritik 8.2 Zusammenfassung und Ausblick Quellenverzeichnis Literatur Interviews Anhang: Plots und Berechnungsprotokolle , Sprache der Kurzfassungen: Englisch, Deutsch

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2022 , Contents 1 Introduction 2 Theoretical Background 2.1 Cameras and Laserscanning 2.1.1 Cameras 2.1.2 Laserscanning 2.2 Machine Learning Fundamentals 2.2.1 Types of Learning 2.2.2 Supervised Learning - Illustrated by Decision Trees 2.2.3 Boosting 2.3 Deep Learning 2.3.1 Basics 2.3.2 Self-Attention 2.3.3 Generative Adversarial Networks 3 Related Work 3.1 Classification and Semantic Segmentation (2D) 3.2 Semantic Segmentation (3D) 3.3 Semi-Supervised Learning 3.4 Conditional Generative Adversarial Networks 3.5 Multi-View Fusion, Prediction and Labeling 3.6 Shape Completion 4 Multi-View Label Transfer and Correction 4.1 2D to 3D Label Transfer 4.1.1 Regular and Self-Occlusions 4.1.2 Dynamic Occlusions 4.1.3 Naive Label Transfer and Label Policy-Based Noise 4.2 Label Noise Correction 4.2.1 Scanstrip-Based Noise Correction 4.2.2 Semi-Supervised Scanstrip-Based Noise Correction 4.2.3 Conclusion 4.3 Multi-View Outlier Correction and Label Transfer 4.3.1 Multi-View Network 4.3.2 Label Transfer Network 4.3.3 Conclusion 5 Self-Supervised Point Cloud Rendering and Completion 5.1 Photo-Realistic Point Cloud Rendering 5.1.1 Network Architecture 5.1.2 Loss Function 5.1.3 Image Stitching 5.2 Self-Supervised Shape Completion 5.2.1 Subregion-Based GAN model 5.2.2 Loss Function 5.2.3 Network Architecture 6 Preparation of MMS data 6.1 Preprocessing of the Mobile Mapping Dataset 6.1.1 Semantic Segmentation of the MMS-Dataset 6.1.2 Human annotated MMS-Dataset 6.2 Massively Parallel Point Cloud Rendering Using Hadoop 6.3 Datasets of Self-Occluded Objects 6.3.1 Real Dataset 6.3.2 Synthetic Datasets 7 Experiments and Results for Multi-View Label Transfer 7.1 Introduction 7.2 Baseline 7.3 Training, Validation and Test Set 7.4 Scanstrip-Based Correction 7.4.1 Point-Wise Correction 7.4.2 Supervised Scanstrip-Based Correction 7.4.3 Semi-Supervised Scanstrip-Based Correction 7.4.4 Qualitative Evaluation 7.4.5 Conclusion and Discussion 7.5 Multi-View Error Correction 7.5.1 Baseline 7.5.2 Training, Validation and Test Sets 7.5.3 Training Procedure 7.5.4 Ablation Studies and Results 7.5.5 Qualitative Evaluation 7.5.6 Retraining Semantic Segmentation Network 7.5.7 Results of the Retraining Process 7.5.8 Conclusion and Discussion 7.6 Multi-View Label Transfer Learning 7.6.1 Training Procedure 7.6.2 Ablation Studies and Results 7.6.3 Qualitative Evaluation 7.6.4 Conclusion and Discussion 7.7 Summary and Conclusion 8 Experiments and Results for Self-Supervised Completion 8.1 Photorealistic Point Cloud Rendering 8.1.1 Training Procedure 8.1.2 Quantitative Evaluation 8.1.3 Qualitative Evaluation 8.1.4 Multi-View Error Correction in GAN Images 8.1.5 Conclusion and Discussion 8.2 Self-Supervised Shape Completion 8.2.1 Training Procedure 8.2.2 Quantitative Evaluation 8.2.3 Qualitative Evaluation 8.2.4 Conclusion and Discussion 9 Conclusion and Discussion 9.1 Summary and Discussion 9.1.1 Scanstrip-Based Label Error Correction 9.1.2 End-To-End Multi-View Label Transfer 9.1.3 Self-Supervised Completion 9.1.4 Conclusion 9.2 Outlook List of Figures List of Tables Bibliography Resume Acknowledgements , Sprache der Kurzfassungen: Englisch, Deutsch

Note: 1. Einleitung 1.1. Motivation 1.2. Zielsetzung und Beitrag der Arbeit 1.2.1. Zielsetzung 1.2.2. Beitrag der Arbeit 1.3. Gliederung 2. Stand der Forschung 2.1. Bündelausgleichung 2.1.1. Zeilenkamera-Bilder 2.1.2. DGM als Passinformation 2.2. High Resolution Stereo Camera (HRSC) 2.2.1. Photogrammetrische Mars-Missionen 2.2.2. Mars Express 2.2.3. Entwicklung und Aufbau der Kamera 2.2.4. Verarbeitung der HRSC-Daten 3. Methodik 3.1. Mathematisches Modell der Bündelausgleichung 3.1.1. Funktionales Modell 3.1.2. Interpolation und Distanz zwischen den Orientierungspunkten 3.1.3. Stochastisches Modell 3.2. Systematische Bündelausgleichung der HRSC-Daten 3.2.1. Vorverarbeitung 3.2.2. Verknüpfungspunktbestimmung 3.2.3. Bündelausgleichung 3.2.4. Evaluierung der Orientierungsdaten 3.3. Zweistufige Bündelausgleichung von Zeilenkamera-Blöcken 3.3.1. Einzelstreifenausgleichung 3.3.2. Konzept der Blockbildung 3.3.3. Teilblock-Strategie zur Verknüpfungspunktbestimmung 3.3.4. Verknüpfungspunktfilter 3.3.5. Blockausgleichung 3.3.6. Stellgrößen des Verfahrens 4. Experimente und Ergebnisse 4.1. Ziele und Daten 4.1.1. Zielsetzung der Experimente 4.1.2. Verwendete HRSC-Daten 4.2. Einzelstreifenauswertung 4.2.1. Beispiel 4.2.2. Schwingungen in den Mars-Express-Orientierungsdaten 4.2.3. Globale Einzelstreifenausgleichung 4.3. Blockauswertungen 4.3.1. Beispiel 4.3.2. Untersuchungen zum Verknüpfungspunktfilter 4.3.3. Systematische Bündelausgleichung der MC-30-Blöcke 4.4. Diskussion der Ergebnisse 5. Fazit 5.1. Zusammenfassung und Schlussfolgerungen 5.2. Ausblick , Sprache der Zusammenfassungen: Deutsch, Englisch

Note: List of Figures List of Tables Acronyms 1 Introduction 1.1 Motivation 1.2 Objective and Outline 2 Fundamentals of Recursive State-space Filtering 2.1 Parameter Estimation 2.1.1 Gauss-Markov Model 2.1.2 Gauss-Helmert Model 2.1.3 Recursive Parameter Estimation 2.2 Recursive State-space Filtering 2.2.1 Iterated Extended Kalman Filter for Gauss-Markov Models 2.2.2 Iterated Extended Kalman Filter for Gauss-Helmert Models 2.3 State Constraints 2.3.1 Hard Constraints 2.3.2 Soft Constraints 2.3.3 Non-linear Constraints 3 Methodological Contributions 3.1 Versatile Recursive State-space Filter 3.2 Kalman Filtering with State Constraints for Gauss-Helmert Models 3.2.1 Implicit Pseudo Observations 3.2.2 Constrained Objective Function 3.2.3 Improvement of Implicit Contradictions 3.3 Recursive Gauss-Helmert Model 3.4 Example of Application 3.4.1 Monte-Carlo Simulation and Consistency 3.4.2 Results 3.4.3 Conclusions 4 Kinematic Multi-sensor Systems and Their Efficient Calibration 4.1 Kinematic Multi-sensor Systems 4.2 Calibration of Laser Scanner-based Multi-sensor Systems 4.2.1 Motivation 4.2.2 Experimental Setup 4.2.3 Classical Methods 4.2.4 Novel Recursive Calibration Approach 4.2.5 Comparison and Discussion 5 Information-based Georeferencing 5.1 Motivation 5.2 Experimental Setup 5.2.1 Kinematic Laser Scanner-based Multi-sensor Systems 5.2.2 Scenarios and Measuring Process 5.2.3 Additional Object Space Information 5.3 State of the Art Methods 5.4 Novel Information-based Georeferencing Approach 5.4.1 Basic Idea 5.4.2 Transformation of the Laser Scanner Observations 5.4.3 Assignment of the Laser Scanner Observations 5.4.4 Application of the Versatile Recursive State-space Filter 5.5 Comparison and Discussion 5.5.1 Mapping Within an Inner Courtyard 5.5.2 Georeferencing of an Autonomous Vehicle Within an Urban Canyon 5.5.3 Conclusions 6 Conclusions 6.1 Summary 6.2 Outlook A Appendix A.1 Pseudocode of the Versatile Recursive State-space Filter A.2 Analysis for the Selection of a Suitable Measurement and Process Noise Bibliography Acknowledgments CurriculumVitae , Zusammenfassung in englisch und deutsch Seite v-vii

Note: 1 Introduction 1.1 Motivation and Research Questions 1.2 Objective Definition and Contributions 1.3 Outline of the Thesis 2 Theory and Related Work in Geodetic Network Analysis 2.1 Parameter Estimation in a Gauß - Markov Model 2.2 Parameter Estimation in a Gauß - Helmert Model 2.3 Geodetic Network Optimization: Theoretical Background and Related Work 2.3.1 Network Quality Criteria 2.3.2 Objective Functions and Optimality Criteria 2.3.3 Types of Optimization Problems 2.4 Discussion 3 Theoretical Background in Positioning and Navigation 3.1 Global Navigation Satellite Systems 3.1.1 GNSS Observables 3.1.2 GNSS positioning techniques 3.2 Inertial Navigation Systems 3.2.1 Coordinate Frames 3.2.2 Mechanization in the Navigation Frame 3.2.3 INS/GNSS Integration 3.3 Filtering Techniques 3.3.1 Bayes Filter 3.3.2 Kalman Filter 3.3.3 Linearized Kalman Filter 3.3.4 Extended Kalman Filter 3.4 Multi-Sensor Fusion 3.4.1 Laser Scanner 3.4.2 Stereo Cameras 3.4.3 Localization Versus Simultaneous Location and Mapping 4 State of the art in Collaborative Positioning 4.1 Introduction 4.2 Communication Architectures 4.3 Collaborative Positioning 4.3.1 GNSS Collaborative Positioning Approaches 4.3.2 Inertial Measurement Collaborative Positioning 4.3.3 Collaborative Positioning with Laser Scanner 4.3.4 Collaborative Positioning with Vision-Based Sensors 4.3.5 Collaborative Positioning Using Other Sensors 4.4 Simulation Technologies 4.4.1 Simulation Environments: Overview 4.4.2 Monte Carlo Methods 4.5 Discussion 5 Simulation Framework for Collaborative Scenarios 5.1 Design and Implementation 5.1.1 Vehicle Trajectories Simulator 5.1.2 Environmental Model 5.1.3 Measurement Generation 5.1.4 Collaborative-Extended Kalman Filter 5.1.5 Collaborative SLAM 5.1.6 Localization with Landmark Uncertainty 5.2 Application Example 5.2.1 Scenario and Setup 5.2.2 Sample Run 5.3 Discussion 6 Sensitivity Analysis of Dynamic Sensor Networks 6.1 Geodetic Network Optimization Problems for Dynamic Networks 6.2 Best Sensor Combination 6.2.1 Scenario and Sensor Setup 6.2.2 Sensitivity Results 6.3 Vehicle Dynamics Evaluation 6.3.1 Simulation Scenario and Setup 6.3.2 Process Noise Assessment 6.3.3 Process Noise to Measurement Noise Selection 6.4 Summary and Conclusions 7 Collaboration Versus Single Vehicle Estimation 7.1 Collaborative Navigation: Concept 7.2 Experiment Scenario and Setup 7.3 Collaboration Results 7.3.1 Accuracy and Precision Analysis 7.3.2 Integrity Analysis 7.4 Summary and Discussion 8 Conclusions 8.1 Summary 8.2 Outlook , Zusammenfassung in Englisch und Deutsch Seite i-iii

Note: 1 Introduction 1.1 Contributions 1.2 Thesis outline 2 Basics 2.1 Convolutional Neural Networks 2.1.1 Training 2.1.2 CNN Architectures 2.2 Active Shape Model 2.3 Monte Carlo based optimisation 3 State of the art 3.1 Data driven approaches 3.1.1 Viewpoint prediction 3.1.2 3D pose prediction 3.1.3 3D pose and shape prediction 3.2 Model driven approaches 3.2.1 Shape priors 3.2.2 Scene priors 3.2.3 Shape aware reconstruction 3.2.4 Optimisation 3.3 Discussion 4 Methodology 4.1 Overview 4.1.1 Input 4.1.2 Problem statement 4.1.3 Scene layout 4.1.4 Detection of vehicles 4.2 Subcategory-aware 3D shape prior 4.2.1 Geometrical representation 4.2.2 Mode Learning 4.3 Multi-Task CNN 4.3.1 Input branch 4.3.2 Vehicle type branch 4.3.3 Viewpoint branch 4.3.4 Keypoint/Wireframe branch 4.3.5 Training 4.4 Probabilistic vehicle reconstruction 4.4.1 3D likelihood 4.4.2 Keypoint likelihood 4.4.3 Wireframe likelihood 4.4.4 Position prior 4.4.5 Orientation prior 4.4.6 Shape prior 4.4.7 Inference 4.5 Discussion 5 Experimental setup 5.1 Objectives 5.2 Test data 5.2.1 KITTI benchmark 5.2.2 ICSENS data set 5.3 Parameter settings and training 5.3.1 Learning the ASM 5.3.2 Training of the CNN 5.4 Evaluation strategy and evaluation criteria 5.4.1 Detection 5.4.2 Multi-Task CNN 5.4.3 Probabilistic model for vehicle reconstruction 5.4.4 Comparison to related methods 6 Results and discussion 6.1 Detection 6.2 Evaluation of the CNN components 6.2.1 Evaluation of the viewpoint branch 6.2.2 Evaluation of the vehicle type branch 6.3 Ablation studies of the model components 6.3.1 Analysis of the observation likelihoods 6.3.2 Analysis of the state priors 6.4 Analysis of the full model for vehicle reconstruction 6.4.1 Evaluation of the pose 6.4.2 Evaluation of the shape 6.4.3 Analysis of further aspects 6.5 Comparison to related methods 6.6 Discussion 6.6.1 Likelihood terms 6.6.2 State priors 6.6.3 Full model 6.6.4 Inference 7 Conclusion and outlook , Sprache der Kurzfassungen: Englisch, Deutsch

Note: 1 Introduction 1.1 Motivation 1.2 Problem Statement and Contributions 1.3 Structure 2 State-of-the-art 2.1 Integration of Object Knowledge in Image Space 2.2 Integration of Object Knowledge in Object Space 2.3 Discussion 3 Photogrammetric Pose Estimation with a Generalised Building Model 3.1 Overview 3.2 Hybrid Bundle Adjustment 3.2.1 Modelling Relations of Object Points to Model Planes 3.2.2 Functional Model 3.2.3 Stochastic Model 3.2.4 Robust Estimation 3.2.5 Determination of Initial Values 3.3 Workflow 3.3.1 Global Adjustment 3.3.2 Sliding Window Adjustment 4 Assignment Under Generalisation Effects 4.1 Generalisation Effects 4.2 Direct Assignment: Point-Plane-Matching 4.3 Indirect Assignment: Plane-Plane-Matching 4.3.1 Indirect Assignment without ROIs 4.3.2 Indirect Assignment with ROIs 4.4 Summary of the Assignment Parameters 5 Experiments 5.1 Setup of the experiments 5.1.1 Scenarios 5.1.2 Sequences 5.1.3 Evaluation 5.1.4 Structure of the Experiments 5.2 Dataset 5.2.1 Hardware 5.2.2 Data 5.3 Parameter Settings and Implementation 6 Results and Discussion 6.1 The Short Sequence: Generalisation & Systematic Effects 6.2 The Long Sequence: Generalisation & Systematic Effects, Block Deformations... 6.3 Check Point Errors versus Estimated Standard Deviations 6.4 Sliding Window versus Global Adjustment 6.5 Assignment Strategies 6.6 The Full Sequence 6.7 Parameter Variation 6.7.1 Fictitious Distance Observations of Tie Points 6.7.2 Maximum Distance of Tie Points to Model Planes 6.7.3 Estimation of Vertex Coordinates 6.7.4 Window Size Nws and Overlap AW 7 Conclusion and Outlook , Kurzfassungen in Deutscher und Englischer Sprache

Note: 1 Einleitung 1.1 Motivation 1.2 Zielsetzung 1.3 Gliederung 2 Verwandte Arbeiten 2.1 Grundbegriffe 2.1.1 Raumbezogene Objekte 2.1.2 Ähnlichkeit 2.1.3 Relation 2.1.4 Schema 2.2 Data-Matching 2.2.1 Klassifikation von Zuordnungsverfahren auf Objektebene 2.2.2 Herausforderungen bei der Objektzuordnung 2.2.3 Ausgewählte, merkmalsbasierte Verfahren 2.2.4 Ausgewählte, relationale Verfahren 2.3 Schema-Matching 2.3.1 Klassifikation von Zuordnungsverfahren auf Schemaebene 2.3.2 Herausforderungen bei der Zuordnung auf Schemaebene 2.3.3 Ausgewählte Schema-Matching-Verfahren im geographischen Kontext 3 Grundlagen 3.1 Ähnlichkeitsmaße 3.1.1 Geometrische Ähnlichkeit 3.1.2 Topologische Ähnlichkeit 3.1.3 Semantische Ähnlichkeit 3.2 Relationstypen 3.2.1 Relationen auf Objektebene 3.2.2 Relationen auf Schemaebene 3.3 Graphentheorie 3.3.1 Graph-Definitionen 3.3.2 Graph-Matching 3.3.3 Graph-Partitionierung / Graph-Cut 3.4 Ganzzahlige lineare Programmierung 4 Entwicklung von Data-Matching-Verfahren für verschiedene Objektgeometrien 4.1 Zuordnung von Polygonobjekten 4.1.1 Geometrischer Parameter 4.1.2 Heterogenitätsparameter 4.1.3 Erzeugung eines kombinierten Ergebnisses für das Schema-Matching 4.2 Zuordnung von unterschiedlichen Objektgeometrien 5 Entwicklung von Schema-Matching-Verfahren basierend auf Instanzdaten 5.1 Formale Problemdefinition 5.1.1 Synthetisches Beispiel 5.2 Einfache Lösungsverfahren 5.2.1 Beschränkung auf 1:1-Zuordnungen (Max-Match) 5.2.2 Beschränkung auf zwei Cluster (Min-Cut) 5.3 Einsatz von Heuristiken 5.4 Einsatz der ganzzahligen linearen Programmierung 5.4.1 Optimierungsziele und Bedingungen 5.4.2 Kombination von Optimierungszielen 5.4.3 Einführung einer festen Clustergröße (MaxScoreHardConstraintFixedSize) 5.4.4 Optimale Lösung ohne Nullcluster (MaxScoreHardConstraintFixedSizeNonEmpty) 5.4.5 Vereinfachtes Programm (MaxScoreHardConstraintFixedSizeUnique) 6 Experimente mit Realdaten und Untersuchungsergebnisse 6.1 Datenquellen und Datenvorverarbeitung 6.1.1 Datenquellen 6.1.2 Testgebiete 6.1.3 Datenvorverarbeitung 6.2 Ergebnisse des Data-Matching 6.2.1 Testgebiet A: ALKIS OSM in Hannover 6.2.2 Testgebiet B: ALKIS ATKIS in Hameln 6.2.3 Testgebiet C: ATKIS GDF in Hannover-Wedemark 6.2.4 Zusammenfassung der Data-Matching-Ergebnisse 6.3 Ergebnisse des Schema-Matching 6.3.1 Testgebiet B: ALKIS ATKIS in Hameln 6.3.2 Testgebiet A: ALKIS OSM in Hannover 6.3.3 Testgebiet C: ATKIS GDF in Hannover-Wedemark 6.3.4 Zusammenfassung aller Schema-Matching-Ergebnisse 7 Zusammenfassung und Ausblick , Kurzfassungen in Deutscher und Englischer Sprache

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2023 , Contents 1 Introduction 1.1 Motivation 1.2 Contributions and Scientific Goals of this Thesis 1.3 Thesis Outline 2 Basics 2.1 Machine Learning for Pixel-Wise Classification 2.2 Deep Neural Networks 2.2.1 Neuron and Multilayer Perceptron 2.2.2 Supervised Training of Neural Networks 2.2.2.1 Optimisation Strategies 2.2.3 Improving Model Generalization 2.2.4 Adversarial Training 2.3 Convolutional Neural Networks 2.3.1 Convolutional Layers 2.3.2 Pooling Layer 2.3.3 Batch Normalisation Layer 2.3.4 Activation Functions in CNNs 2.3.5 Parameter Initialisation 2.3.6 CNN Architectures 2.3.6.1 Residual Networks 2.3.6.2 Xception Network 2.4 Fully Convolutional Networks 2.4.1 Upsampling Layer and Transposed Convolutional Layer 2.4.2 Skip Connections 2.5 Appearance Adaptation 2.6 Transfer Learning and Domain Adaptation 2.6.1 Adaptive Batch Normalisation 3 Related Work 3.1 Instance Transfer 3.1.1 Explicit Instance Transfer 3.1.2 Implicit Instance Transfer 3.1.3 Hybrid Instance Transfer 3.1.4 Discussion 3.2 Representation Transfer 3.2.1 Non-adversarial Representation Transfer 3.2.2 Adversarial Representation Transfer 3.2.3 Discussion 3.3 Appearance Adaptation 3.3.1 Target-to-Source Appearance Adaptation 3.3.2 Source-to-Target Appearance Adaptation 3.3.3 Discussion 3.4 Hybrid Approaches 3.4.1 Discussion 3.5 Parameter Selection in Unsupervised Domain Adaptation 3.6 Discussion 3.6.1 Research Gap 3.6.2 Comparison to Most Similar Works 4 Methodology 4.1 Prerequisites and Assumptions 4.2 Adaptation Overview 4.3 Network Architecture 4.3.1 Classification Network C 4.3.2 Appearance Adaptation Network 4.3.3 Domain Discriminator 4.4 Training 4.4.1 Supervised Source Training 4.4.2 Joint Training for Appearance Adaptation 4.4.2.1 Joint Update of A and C 4.4.2.2 Update of D 4.5 Improving Semantic Consistency 4.5.1 Method 1: Reduction of Variability 4.5.2 Method 2: Auxiliary Generator 4.5.2.1 Architecture of G 4.5.2.2 Modifications of Adversarial Loss Terms 4.6 Entropy-based Parameter Selection 4.7 Adaptive Batch Normalization 4.8 Resolution Adaptation 5 Experimental Setup 5.1 Datasets 5.1.1 Data for Land-cover Classification using Aerial Imagery 5.1.2 Data for Bi-temporal Deforestation Detection using Satellite Imagery 5.2 Evaluation and Quality Metrics 5.3 Goals and Structure of Experiments 5.3.1 Experiment Set E1: Source Training and Na¨ıve Transfer 5.3.2 Experiment Set E2: Proposed Method for UDA 5.3.3 Experiment Set E3: Evaluation of Parameter Selection 5.3.4 Experiment Set E4: Comparison to other Strategies and Methods 5.3.4.1 Experiment Set E4.1: Comparison to other Strategies 5.3.4.2 Experiment set E4.2: Comparison to other Methods 5.3.5 Experiment set E5: Evaluation of UDA for Bi-temporal Deforestation Detection 5.4 Training Details and Hyper-parameters 5.4.1 Source Training 5.4.2 Unsupervised Domain Adaptation 5.4.3 Implementation Details of Baseline Strategies 6 Results and Discussion 6.1 Results of Experiment Set E1: Source Training and Na¨ıve Transfer 6.2 Results of Experiment Set E2: Proposed Method for UDA 6.2.1 Evaluation of Appearance Adaptation 6.2.2 Evaluation of Unsupervised Domain Adaptation 6.2.3 Combination of Appearance Adaptation with Adaptive Batch Normalisation 6.2.4 Final Comparison of Variants 6.2.5 Detailed Evaluation of Selected UDA Scenarios 6.3 Results of Experiment Set E3: Evaluation of Parameter Selection 6.4 Results of Experiment Set E4: Comparison to other Strategies and Methods 6.4.1 Experiment set E4.1: Comparison to other Strategies 6.4.2 Experiment Set E4.2: Comparison to other Methods 6.5 Results of Experiment Set E5: Evaluation of UDA for Deforestation Detection 7 Conclusions and Outlook 7.1 Conclusion 7.2 Outlook Bibliography Appendix , Sprache der Kurzfassungen: Englisch, Deutsch

Note: Table of Contents 1 Introduction 1.1 Problem statement 1.2 Research objectives and contributions 1.3 Outline of the thesis 2 Basics 2.1 Linear programming 2.2 MaskR-CNN 2.3 TriNet 2.4 Social force model 2.5 Kalman filter 3 Related Works 3.1 Tracking approaches 3.2 Object detection 3.3 Tracking-based-detection 3.4 Motion model 3.5 Discussion 4 Multi-pedestrian Tracking in 3D Object Space 4.1 Problem statement and thegeneral pipeline 4.2 Detection and localization 4.2.1 Scene modelling 4.2.2 Observations 4.3 Hierarchical data association 4.3.1 Anchor determination 4.3.2 Local structure refinement 4.4 Motion correction and position prediction 4.4.1 Velocity calculation and correction 4.4.2 Missed detections retrieval 4.5 Filtering 4.6 Discussion 4.6.1 Probabilistic pedestrian tracking 4.6.2 Assumptions 5 Experiments and Results 5.1 Data and evaluation metrics 5.1.1 Data 5.1.2 Evaluation metrics 5.2 Component optimization 5.2.1 Detection and post-processing 5.2.2 Data association 5.2.3 Missed detections recovery 5.3 Component evaluation 5.4 Localization accuracy in 3D object space 5.5 Comparison with state-of-the-art trackers 6 Discussion 6.1 Proposed components 6.2 Performance of the proposed tracker 7 Conclusion Bibliography , Sprache der Kurzfassungen: Englisch, Deutsch

Note: Zusammenfassungen in deutscher und englischer Sprache

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2017 , Inhaltsverzeichnis Inhaltsverzeichnis 1 Einleitung 1.1 Motivation 1.2 Stand der Forschung 1.3 Zielsetzung und Aufbau der Arbeit 2 Grundlagen 2.1 Grundlagen der physikalischen Geodäsie 2.1.1 Das Schwerefeld der Erde 2.1.2 Gravitationspotential - Kugelfunktionsentwicklung und Fehler 2.1.3 Ableitungen des Gravitationspotentials 2.1.4 Satellitengradiometrie 2.1.5 Zeiten 2.2 Ausgewählte Grundlagen der Statistik und digitalen SignalVerarbeitung 2.2.1 Deskriptive Statistik 2.2.2 Aspekte der digitalen Signalverarbeitung 2.2.3 Filterung 2.2.4 Spektralschätzung 2.3 Drehmatrizen, Eulerwinkel und Quaternionen 2.4 Methodische Grundlagen der Kreuzungspunktanalyse 2.4.1 Bestimmung von Kreuzungspunkten 2.4.2 Kreuzungspunktposition und Interpolationen 3 Die GOCE-Mission 3.1 Wahl des GOCE-Orbits 3.2 Gradiometer und Gravitationsgradienten 3.2.1 Gradiometeraufbau und Beschleunigungsmesser 3.2.2 Gravitationsgradienten aus Beschleunigungsdifferenzen 3.2.3 Einschränkungen und Fehler des Gradiometers 3.3 Weiteres Instrumentarium im GOCE-Satelliten 3.4 Koordinatensysteme und Transformationen 3.4.1 GOCE-relevante Koordinatensysteme 3.4.2 Transformationen zwischen Koordinatensystemen 3.5 Datenprodukte und deren Genauigkeiten 4 Genauigkeitsanforderungen an Datenprodukte und Rechenoperationen 4.1 Analyse der GOCE-Gravitationsgradienten 4.1.1 Gradienten und Fehler in Zeit- und Frequenzbereich 4.1.2 Vergleich der Gradienten mit globalen Gravitationsfeldmodellen 4.2 Abschätzung der Genauigkeit der Gravitationsgradienten 4.3 Bestimmung der Genauigkeitsanforderungen 5 Methodik zur Gradienten-Validierung in Kreuzungspunkten 5.1 Übersicht zum Ablauf der Validierung 5.2 Kreuzungspunktbestimmung 5.2.1 Ziele und Methodik 5.2.2 Beschreibung des Algorithmus und Implementierung 5.3 Interpolation der Beobachtungsgrößen 5.3.1 Interpolation der reduziert-dynamischen Positionen 5.3.2 Interpolation der finalen Kreuzungspunktpositionen 5.3.3 Interpolation weiterer Datenprodukte im Kreuzungspunkt 5.4 Vergleichskoordinatensystem 5.5 Transformation des Tensors der GOCE-Gravitationsgradienten 5.5.1 Rotation des GOCE-GGT (Einfügen modellbasierter Vij, Filterung) 5.5.2 Translation des Tensors der GOCE-Gravitationsgradienten 5.5.3 Transformation und Diskussion 5.6 Closed-Loop-Test 6 Analyse der Kreuzungspunktdifferenzen 6.1 Einleitung 6.2 Qualität des Gesamtdatensatzes 6.2.1 Statistische Parameter 6.2.2 Korrelationen und Abhängigkeiten 6.3 Regionale Untersuchungen 6.4 Lokale Artefakte mit zeitlich begrenztem Einfluss auf die Gradienten 6.5 Zusammenfassung und Diskussion 7 Gradiometerkonzepte zukünftiger Schwerefeld-Satellitenmissionen 7.1 Missionsplanung und bisherige Studien 7.2 Gradiometriekonzepte und Technologien 7.2.1 Feste Testmassen und deren Lagebestimmung sowie Lageregelung 7.2.2 Atominterferometrie auf Basis kalter Atome 7.3 Kombinierte Beobachtungskonzepte und Bestimmung dritter Ableitungen 7.4 Zusammenfassung 8 Zusammenfassung und Ausblick Abkürzungsverzeichnis Literaturverzeichnis

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2017 , Inhaltsverzeichnis 1 Einleitung 1.1 Zielsetzung 1.2 Struktur 2 Grundlagen und Stand der Forschung 2.1 Mobile Mapping Systeme 2.1.1 Allgemeine Funktionsweise 2.1.2 Riegl VMX-250 2.1.3 Alternative Systeme 2.2 Punktwolken 2.2.1 Definition 2.2.2 Abgrenzung zu vermaschten Punkten 2.2.3 Speicherformate von Punktwolken 2.2.4 Visualisierungstechniken 2.2.5 Level Of Detail 2.3 Farbmodelle 2.3.1 Farbanpassung 2.4 Verteiltes Rechnen 2.5 Verdeckungsanalyse 2.6 Registrierung mehrerer Datensätze 2.7 Visualisierungssysteme 2.7.1 Standalone Point Cloud Viewer 2.7.2 Webbasierte Systeme 3 Effizienzbetrachtungen 3.1 Effiziente Verarbeitung von Massendaten durch Parallelisierung 3.1.1 Parallelisierungsformen 3.1.2 Umsetzung 3.1.3 Vergleich 3.2 Effiziente Datenstrukturen 3.2.1 Scanstreifen 3.2.2 Scanstreifenbasierte Pufferstrategie 3.2.3 Rasterdatenstruktur 3.2.4 Randproblematik und Caching 4 Modulare Verarbeitungskette f ̈ur Mobile Mapping Daten 4.1 Analyse der beteiligten Komponenten des Herstellerworkflows 4.2 Exemplarische modulare Verarbeitungskette 4.3 Vorverarbeitungsmodul 4.3.1 Vereinfachung 4.3.2 Zeitsegmentierung 4.3.3 Bestimmung von Punktattributen 4.4 Segmentierung und Klassifikation 4.4.1 Bodenextraktion 4.4.2 Objektsegmentierung 5 Sensordatenintegration: Kalibrierung der Kameraorientierung 5.1 Zeitstempelabweichung 5.2 Ansatz 5.3 Extraktion von Silhouetten 5.3.1 Extraktion von Silhouetten aus Kamerabildern 5.3.2 Extraktion von Silhouetten aus Laserscandaten 5.4 ICP-basierte Identifikation der Korrespondenzen 5.4.1 Beschränkung der Scanpunktbildsilhouette 5.4.2 Gruppierung der Scanpunktdaten 5.4.3 ICP unter Berücksichtigung der Punktnormalen 5.5 Bestimmung der Kameraparameter mittels Rückwärtsschnitt 5.5.1 Wahl der Stichprobe 5.5.2 Anzahl an Iterationen 5.5.3 Bewertung der gefundenen Modelle 5.6 Ergebnisse 5.7 Verbesserungspotential und Probleme 5.7.1 Laufzeiten 5.7.2 Robustheit des Verfahrens und Qualität der Ergebnisse 6 Farbbestimmung 6.1 Farbextraktion 6.2 Verdeckungsanalyse 6.2.1 Geometrische Verdeckungsanalyse 6.2.2 Ballbasierter Tiefenpuffer 6.2.3 Ergebnisse 6.2.4 Nicht erfasste und dynamische Objekte 6.3 Farbanpassung 6.3.1 Einfärbesituationen benachbarter Scanpunkte 6.3.2 Objektweise Farbanpassung 6.3.3 IDP-Interpolierte radiometrische Helligkeitsanpassung von Bodenpunkten 6.3.4 Radiometrische Helligkeits- und Sättigungsanpassung von Objektpunkten 6.4 Farbsynthese 6.4.1 Histogrammbasierte Farbinterpolation 6.4.2 Ergebnis 7 Aus Punktwolken abgeleitete Modelle 7.1 3D Modelle 7.1.1 Identifikation planarer Bereiche 7.1.2 Nachbearbeitung der erstellten Texturen 7.1.3 Effiziente Verwaltung von Texturen 7.1.4 Erhöhung der Speichereffizienz 7.1.5 Level of Detail 7.2 2D Modelle 7.2.1 Trackjektorienabschnitte 7.2.2 Ermittlung relevanter Ebenen 7.2.3 Ergebnis 8 Visualisierung von Mobile Mapping Daten 8.1 3D Visualisierung 8.1.1 Visualisierung via Web-App 8.1.2 Performante Client-Server Kommunikation und Serialisierung 8.1.3 Scheduling der LOD-Daten 8.1.4 GUI Responsiveness 8.1.5 Navigation und Nutzerinteraktion 8.2 2D Visualisierung 8.2.1 Parallax Scrolling Visualisierung via Android-App 8.2.2 Beleuchtungsmodell 8.2.3 Ergebnis und Ausblick 9 Schlussfolgerungen und Ausblick 9.1 Ausblick Literaturverzeichnis

Note: Inhaltsverzeichnis 1. Einleitung 1.1. Motivation 1.2. Zielsetzung und wissenschaftlicher Beitrag 1.3. Aufbau der Arbeit 2. Stand der Forschung 2.1. Änderungsdetektion 2.2. Reduzierung des Bedarfs an manuell erstellten Trainingslabels 2.3. Strategien zum Umgang mit fehlerhaften Labels 2.4. Fehlerhafte Trainingslabels im Bereich der Fernerkundung 2.5. Merkmalsselektion 2.6. Diskussion 3. Grundlagen 3.1. Klassifikation 3.2. Merkmale 3.2.1. Spektrale Merkmale 3.2.2. Texturmerkmale: Haralick Merkmale 3.2.3. Strukturmerkmale: gewichtetes Histogramm der Gradientenrichtungen 3.2.4. 3D Merkmale: normalisiertes digitales Oberflächenmodell 3.2.5. Merkmalsselektionsalgorithmus 3.3. Logistische Regression 3.4. Gegenüber fehlerhaften Trainingslabels robuste logistische Regression 3.5. Klassifikations- und Regressionsbäume 3.6. Random Forest 3.7. Conditional Random Fields 4. Methodik 4.1. Uberblick des Klassifikationsalgorithmus 4.1.1. Initialisierung 4.1.2. Iterativer Prozess 4.2. Robuster Random Forest 4.2.1. Auswahl der Entscheidungsgrenze 4.2.2. Wahrscheinlichkeit der Klassenzugehörigkeit 4.2.3. Individuelle Übergangswahrscheinlichkeiten für jedes Trainingsbeispiel 4.2.4. Wahrscheinlichkeit in den Blättern 4.3. Integration der Kartenlabels als Beobachtungen 4.4. Bestimmung der Ubergangsmatrix 4.5. AnderungsWahrscheinlichkeit 4.6. Klassifikation basierend auf der robusten logistischen Regression 4.7. Multitemporale Klassifikation 4.7.1. Multitemporales CRF Modell 4.7.2. Sequenzielles Training 4.7.3. Ablauf der multitemporalen Klassifikation 5. Aufbau der Experimente 5.1. Datensätze 5.1.1. Hameln 5.1.2. Las Vegas 5.1.3. Vaihingen 5.1.4. Herne 5.1.5. Husum 5.2. Auswahl der Trainingsbeispiele 5.3. Merkmale 5.4. Analyse der Merkmalsselektionsmethode 5.5. Genauigkeitsmaße 5.6. Aufbau und Zielsetzung der Experimente 5.6.1. Merkmalsselektion 5.6.2. Parametertests 5.6.3. Monotemporale Klassifikation 5.6.4. Multitemporale Klassifikation 6. Experimente 6.1. Merkmalsselektion 6.2. Einfluss der Parameter 6.3. Monotemporale Klassifikation 6.3.1. Hameln 6.3.2. Las Vegas 6.3.3. Vaihingen 6.3.4. Herne und Husum 6.3.5. Diskussion 6.4. Multitemporale Klassifikation 6.4.1. Hameln 6.4.2. Las Vegas 6.4.3. Diskussion 7. Fazit und Ausblick 7.1. Fazit 7.2. Ausblick A. Anhang - Daten B. Anhang - Klassifikationsergebnisse , Zusammenfassungen in deutscher und englischer Sprache

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2021 , Contents 1. Introduction 1.1. Motivation and Research Goal 1.2. Outline 2. Basics 2.1. Archaeology 2.2. Geographic Information System 2.2.1. Spatial Reference System 2.2.2. Coordinate Reference Systems 2.2.3. Raster and Vector Data 2.2.4. GIS Software 2.2.5. GIS Data File Formats 2.3. Remote Sensing 2.3.1. Passive and Active Remote Sensing 2.3.2. LiDAR Systems 2.3.3. Processing LiDAR Data 2.3.4. Digital Terrain Models and Derived Rasters 2.4. Deep Learning 2.4.1. Neurons 2.4.2. Layers 2.4.3. Objective Functions 2.4.4. Evaluation Metrics 2.4.5. Backpropagation 2.4.6. Gradient Descent 2.4.7. Gradient Descent Optimization Algorithms 2.4.8. Supervised Learning 2.4.9. Transfer Learning 2.4.10. Unsupervised Learning 2.4.11. Self Supervised Learning 3. Related Work 3.1. Remote Sensing in Archaeology 3.2. Deep Learning in Remote Sensing 3.3. Deep Learning in Point Clouds and Digital Terrain Models 3.4. Deep Learning in Archaeology 4. Datasets 4.1. Digital Terrain Model and Relief Visualization Dataset 4.2. Archaeological Monuments in the Harz 4.2.1. Areal Dataset 4.2.2. Linear Dataset 4.2.3. Stone Quarries Dataset 4.3. Data Preparation for Deep Learning Models 4.3.1. Data Processing for Self Supervised Learning Pretext 4.3.2. Data Processing for Classification 4.3.3. Data Processing for Instance Segmentation 4.3.4. Data Processing for Semantic Segmentation 5. Methodology 5.1. Pretext Methods 5.1.1. Relief Visualization Network (RVNet) 5.1.2. Relief Visualization GAN (RVGan) 5.2. Downstream Method 5.2.1. Classification of Archaeological Monuments and Terrain Structures 5.2.2. Instance Segmentation of Archaeological Monuments and Terrain Structures 5.2.3. Semantic Segmentation of Archaeological Monuments and Terrain Structures 6. Experiments and Results 6.1. Self Supervised Learning Pretext Experiments 6.2. Classification 6.3. Instance Segmentation 6.3.1. Areal Dataset 6.3.2. Linear Dataset 6.4. Semantic Segmentation 6.4.1. Areal Dataset 6.4.2. Linear Dataset 6.4.3. Stone Quarries Dataset 6.5. Evaluation on 4 Test Regions with Distinct Objects 6.6. Qualitative Evaluations 6.6.1. Qualitative Results for Areal Dataset 6.6.2. Qualitative Results for the Linear Dataset 6.6.3. Qualitative Results for Stone Quarries Dataset 6.7. Summary 7. Discussions and Conclusions 7.1. Discussions 7.1.1. Assessment of Pretext Methods 7.1.2. Assessment of Downstream Methods 7.1.3. Assessment of Selected Core Deep Learning Architectures 7.1.4. Assessment of Predictions for each Category 7.2. Summary and Outlook List of Figures List of Tables Bibliography Acknowledgements Resume A. Appendix A.1. Self Supervised Learning Pretext A.2. Classification A.3. Areal Dataset A.4. Linear Dataset , Sprache der Kurzfassungen: Englisch, Deutsch

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2022 , Inhaltsverzeichnis Abbildungsverzeichnis Abkürzungsverzeichnis 1. Einführung 1.1. Ausgangssituation für die Arbeit 1.2. Stand der Wissenschaft und Forschung 1.3. Methodik der Arbeit 2. Rahmenbedingungen des Immobilienmarktes 2.1. Allgemeines 2.2. Aktuelle und zukünftige Entwicklungstendenzen 2.3. Die wachsende Bedeutung künftiger Entwicklungen 3. Theoretische Ausgangsbasis 3.1. Zur Entwicklung des Verkehrswertbegriffs 3.2. Künftige Entwicklungen - von der WertV zur ImmoWertV 2021 3.3. Normierte und nicht normierte Wertermittlungsverfahren 3.4. Die allgemeinen Wertverhältnisse 3.5. Die wertbeeinflussenden Grundstücksmerkmale 3.5.1. Allgemeines 3.5.2. Rechtliche Gegebenheiten 3.5.2.1. Allgemeines 3.5.2.2. Öffentliches Bau- und Planungsrecht 3.5.2.3. Bauordnungsrecht 3.5.2.4. Bestandsschutz 3.5.2.5. Weitere rechtliche Gegebenheiten des öffentlichen Rechts 3.5.2.6. Rechtliche Gegebenheiten des Zivilrechts 3.5.3. Die Beschaffenheit und tatsächliche Eigenschaften 3.5.4. Die Lagemerkmale 3.6. Spezifische Grundstückszustände und -merkmale 3.6.1. Allgemeines 3.6.2. Absehbare Nutzungsänderungen 3.6.3. Flächen mit Vornutzungsbelastungen und künftiger Neunutzung 3.6.4. Flächen mit städtebaulichen Missständen und erheblichenFunktionsverlusten 3.6.5. Weitere spezifische Grundstückszustände und -merkmale 3.6.5.1. Künftige Änderungen des baulichen Zustandes 3.6.5.2. Nicht ausgeschöpfte Nutzungspotentiale 3.6.5.3. Zwischennutzungen 3.6.5.4. Geplanter Ausbau der Infrastruktur 3.6.5.5. Geplante Ansiedlungen oder deren künftiger Wegfall 3.7. Internationale Wertermittlungsverfahren 3.8 Bilanzierung von Immobilien 3.9. Kreditwirtschaftliche Wertermittlung 3.10. Fazit 4. Empirische Untersuchungen zur Bedeutung künftiger Entwicklungen 4.1. Übersicht 4.2. Expertenbefragung 4.3. Auswertung von Wertgutachten 4.4. Auswertung von Grundstücksmarktberichten 4.5. Auswertung von anderenDatenquellen 4.6. Fazit 5. Systematisierung von künftigen Entwicklungen 5.1. Übersicht 5.2. Systematisierung 5.3. Fazit 6. Allgemeine Instrumente zur Berücksichtigung künftiger Entwicklungen 6.1. Übersicht 6.2. Prognosen 6.2.1. Allgemeines 6.2.2. Prognoseermächtigung und -begrenzung in der ImmoWertV 6.2.3. Prognosehorizont 6.3. Risikobewertung 6.4. Szenarien, Entwicklungskorridore undMarktanalysen 6.5. SWOT-Analysen 6.6. Fazit 7. Beispiele zum Einfluss künftiger Entwicklungen 7.1. Übersicht 7.2. Fallbeispiel: Allgemeine Wertverhältnisse - Pandemie 7.2.1. Allgemeines 7.2.2. Auswirkungen auf die Stadtentwicklungsprozesse 7.2.3. Auswirkungen auf einzelne Teilmärkte 7.2.3.1. Einzelhandel 7.2.3.2. Büro-, Gewerbe- und Industrieimmobilien 7.2.3.3. Hotels, Gaststätten und Freizeitimmobilien 7.2.3.4. Logistik-, Hafen- und Messeimmobilien 7.2.3.5. Wohnungsimmobilien 7.2.4. Fazit 7.3. Fallbeispiel: Entwicklung der Standortqualität - demografische Entwicklung 7.3.1. Allgemeines 7.3.2. Berücksichtigung von demografischen Entwicklungen am Beispiel von rückläufigen Einwohnerzahlen 7.3.3. Fazit 7.4. Fallbeispiel: Entwicklung der Standortqualität - wirtschaftliche Entwicklungen 7.4.1. Allgemeines 7.4.2. Berücksichtigung von wirtschaftlichen Entwicklungen 7.4.3. Fazit 7.5. Fallbeispiel: Entwicklungen der Standortqualität - städtebauliche Entwicklungen - Brachflächen 7.5.1. Allgemeines 7.5.2. Berücksichtigung von künftigen Entwicklungen bei zu erwartenden Brachflächen 7.5.3. Berücksichtigung von künftigen Entwicklungen bei entstandenen Brachflächen 7.5.4. Wahl der Wertermittlungsmethode bei entstandenen Brachflächen 7.5.4.1. Allgemeines 7.5.4.2. Das Residualwertverfahren 7.5.4.3. Das Liquidationswertverfahren 7.5.5. Fazit 7.6. Fallbeispiel: Planungsbezogene Entwicklungen - Informelle städtebauliche Planungen 7.6.1 Allgemeines 7.6.2. Arten von informellen städtebaulichen Planungen 7.6.3. Allgemeine Wirkung von informellen Planungen und ihreWertrelevanz 7.6.4. Bedeutung von informellen Planungen für die Wertermittlungan Beispielen 7.6.4.1. Einzelhandelskonzepte 7.6.4.2. Vergnügungsstättenkonzepte 7.6.4.3. Innenbereichsstärkungskonzepte 7.6.4.4. Stadtumbaukonzepte 7.6.5. Bedeutung von städtebaulichen Verträgen für die Wertermittlung 7.6.6. Fazit 8. Weitere Wertermittlungsaspekte zur Berücksichtigung künftiger Entwicklungen 8.1. Allgemeines 8.2. Erfordernis derhinreichenden Sicherheit aufgrundkonkreter Tatsachen 8.3. Wartezeit 8.4. Besonderheiten beider retrogradenVerkehrswertermittlung 8.5. Fazit 9. Zusammenfassende Darstellung und Ausblick 9.1. Zusammenfassung 9.2. Mögliche Weiterentwicklung desWertermittlungsrechtes und Forschungsbedarf Literaturverzeichnis , Sprache der Kurzfassungen: Englisch, Deutsch

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2023 , Contents 1. Introduction 1.1. From GPS tracks to Traffic Regulations 1.2. Motivation for Learning Intersection Traffic Regulations 1.3. Research Gap 1.4. Motivation for Learning Traffic Regulations from GPS Data 1.5. Research Objectives, Challenges and Contributions 1.6. Outline of the Thesis 1.7. Summary 1.8. Acknowledgements 2. Theoretical Background 2.1. Intersections and Intersection Traffic Regulations 2.1.1. Intersections 2.1.2. Intersection Traffic Regulations 2.2. Spatiotemporal Data and Movement Trajectories 2.2.1. The Global Positioning System 2.2.2. Sampling Frequency 2.2.3. The GPS Exchange Format: GPX 2.2.4. Movement Patterns in Spatiotemporal Data 2.2.5. Spatiotemporal Data Mining 2.2.6. Semantic Enrichment of Trajectories 2.2.7. Detecting Stop and Moves: the CB-SMoT Algorithm 2.3. Machine Learning 2.3.1. Machine Learning and Types of Learning 2.3.2. Supervised-Learning: Classification 2.3.3. Unsupervised-Learning: Clustering 2.3.4. Semi-supervised Learning 2.3.5. Active-Learning 2.3.6. Incremental Learning 2.4. Acknowledgements 3. Related Work 3.1. Existing Traffic Regulation Recognition Approaches 3.2. Static Categorization 3.2.1. Map-based Category 3.2.2. Image-based Category 3.3. Dynamic Categorization 3.3.1. Episode-based Category 3.3.2. Speed-profile Category 3.3.3. Movement-summarization Category 3.4. Hybrid-based Categorization 3.5. Discussion 3.6. Knowledge Gap 3.7. Acknowledgements 4. Traffic Regulation Recognition (TRR) from GPS Data 4.1. Introduction 4.2. Datasets 4.2.1. Dataset Requirements and Limitations 4.2.2. Datasets for Testing the Proposed Methods 4.2.3. Groundtruth Map Construction 4.3. Methodology 4.3.1. Detection of Stop and Deceleration Episodes 4.3.2. The Static Approach 4.3.3. The c-Dynamic Approach 4.3.4. The Dynamic Approach 4.3.5. The Hybrid Approach 4.3.6. Implementation and Classification Settings 4.4. Results 4.5. Discussion 4.6. Summary 4.7. Acknowledgements 5. TRR From GPS Data: One-Arm versus All-Arm Models 5.1. Introduction 5.2. Methodology 5.2.1. One-Arm vs. All-Arm Models 5.2.2. The Effect of Sampling Rate 5.2.3. Reduced Models 5.2.4. The Effect of Turning/No-Turning Trajectories 5.2.5. The Effect of Number of Trajectories 5.2.6. Application of Domain Knowledge Rules 5.2.7. Classification Settings 5.3. Results 5.3.1. One-arm vs. All-arm Models 5.3.2. Testing the Effect of Sampling Rate 5.3.3. Reduced Models 5.3.4. Testing the Effect of Turning Trajectories and Examining an Optimal Number of Trajectories 5.3.5. Testing the Effect of the Number of Trajectories on Classification Performance 5.3.6. Misclassification Analysis 5.3.7. Applying Domain Knowledge Rules 5.4. Discussion 5.5. Summary 5.6. Acknowledgements 6. TRR with Sparsely Labeled and Stream Data 6.1. Introduction 6.2. TRR with Clustering 6.3. TRR with Self-Training, Active Learning and Cluster-then-Label 6.3.1. TRR with Self-Training: Using Labeled and Unlabeled Data 6.3.2. TRR with Active Learning 6.3.3. TRR with the Cluster-then-Label Algorithm 6.3.4. Comparison of All Tested Methods 6.4. Learning Transferability: Training on City A and Predicting on City B 6.5. Incremental (Online) Learning 6.6. Summary 7. Conclusions and Outlook 7.1. Research Questions Addressed in this Thesis 7.2. Outlook List of Acronyms Index A. Appendix List of Figures List of Tables Bibliography Curriculum Vitae Acknowledgements , Sprache der Kurzfassungen: Englisch, Deutsch

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2023 , Inhaltsverzeichnis 1 Einleitung 1.1 Motivation 1.2 Zielsetzung und eigene Beiträge 1.3 Gliederung der Arbeit 2 3D-Objekterfassung in der industriellen Fertigung von Großstrukturen 2.1 Bedingungen und Anforderungen in der industriellen Fertigung 2.2 Grundlagen zu Qualitätsmaßen und -parametern 2.3 Überblick Methoden der 3D-Objekterfassung 2.4 Terrestrisches Laserscanning 2.4.1 Messprinzip und Sensorik 2.4.2 Sensorkalibrierung 2.4.3 Messunsicherheiten 2.5 Statisches terrestrisches Laserscanning und Lasertracking 2.5.1 Vorbereitung und Objektaufnahme 2.5.2 Datenprozessierung 2.5.3 Validierung und Qualitätssicherung 2.5.4 Tachymeter und Lastertracker mit Scanfunktion 2.5.5 Stopp-und-Go Verfahren 2.5.6 Resümee zum statischen Laserscanning 2.6 Kinematisches terrestrisches Laserscanning 2.6.1 Messprinzip und Stand der Entwicklungen 2.6.2 Arten der Georeferenzierung 2.6.3 Resümee zum Einsatz des kinematischen terrestrischen Laserscanning 2.7 Hochgenaues kinematisches terrestrisches Laserscanning im industriellen Umfeld 2.7.1 TLS-basierte 3D-Objekterfassung 2.7.2 Systemkalibrierung und Synchronisierung der Sensoren 2.7.3 Georeferenzierung der Plattform 2.7.4 Darstellung des k-TLS-basierten Multi-Sensor-System 3 Mathematische Grundlagen 3.1 Räumliche Helmert-Transformation 3.2 Methoden der Unsicherheits-Modellierung 3.2.1 Statistische Grundlagen 3.2.2 Darstellung nach dem Guide to the Expression of Uncertainty in Measurement 3.2.3 Methoden der Unsicherheitsfortpflanzung 3.2.3.1 Varianzfortpflanzung 3.2.3.2 Monte-Carlo-Simulation 3.3 Parameterschätzung im Gauß-Helmert-Modell 3.4 Räumliche Bestimmung der Form und Lage von Objekten 3.4.1 Ausgleichungsmodell 3.4.2 Klassifizierung 3.4.3 Ausgleichende Ebene 3.4.4 Flächen zweiten Grades 3.5 Filterung 3.5.1 Das Kalmanfilter 3.5.2 Das Extended Kalmanfilter 3.5.3 Das iterative Extended Kalmanfilter 4 Systemkalibrierung 4.1 Strategien und Ansätze 4.2 Darstellung des Referenzgeometrie-basierten Ansatzes 4.2.1 Schaffung Kalibrierumgebung - Bestimmung der Referenzgeometrien 4.2.2 Objekterfassung und Verknüpfung der Koordinatensysteme 4.2.3 Ausgleichung der gesuchten Parameter 4.3 Anordnung der Referenzgeometrien 4.3.1 Sensitivität der Parameter 4.3.2 Theoretische Vorbetrachtungen 4.3.3 Implementierung einer Simulationsumgebung 4.3.4 Optimierung der Referenzgeometrieanordnung 4.4 Praktische Realisierung und Durchführung 4.4.1 Realisierung einer Kalibrierumgebung 4.4.2 Durchführung der Systemkalibrierung 4.4.3 Darstellung und Diskussion der Ergebnisse 5 Georeferenzierung der mobilen Plattform 5.1 Strategien und Ansätze 5.2 Messtechnischer Ablauf 5.2.1 Methode einer punktweisen Georeferenzierung 5.3 Filtermodell 5.3.1 Vorbetrachtungen und Modellwahl 5.3.2 Implementierung 5.4 Messprozess und Datenauswertung 5.4.1 Messtechnische Umsetzung 5.4.2 Darstellung und Interpretation der Ergebnisse 5.5 Zusammenfassung und Resümee 6 Validierung und Qualitätssicherung 6.1 Strategien und Ansätze 6.2 Genauigkeitsuntersuchungen der Lasertrackermessung zur T-Probe 6.2.1 Messstrategie und Auswertung 6.2.2 Ergebnisse 6.2.3 Fazit 6.3 Betrachtung der Unsicherheiten der Einzelschritte 6.3.1 Objekterfassung durch den Laserscanner 6.3.2 Systemkalibrierung zwischen T-Probe und Laserscanner 6.3.3 Georeferenzierung der mobilen Plattform 6.3.4 Zusammenstellung der Unsicherheiten für die Einzelschritte 6.4 Modellierung der Gesamtunsicherheit 6.4.1 Umsetzung der Vorwärtsmodellierung 6.4.2 Darstellung der Ergebnisse 6.4.3 Korrelationen 6.5 Validierung der Modellierungsergebnisse 6.5.1 Rückwärtsmodellierung 6.5.2 Bewertung der Ergebnisse 7 Zusammenfassung und Ausblick A Anhang A.1 Kapitel 2 A.2 Kapitel 4 A.3 Kapitel 5 A.4 Kapitel 6 Literaturverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Lebenslauf , Sprache der Kurzfassungen: Englisch, Deutsch

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2022 , Inhaltsverzeichnis 0. Einleitung 1. Ländliche Räume und ihre Herausforderungen 1.1 Charakteristika von Dörfern und Kommunen – Lebensraum Dorf 1.2 Typisierungsmöglichkeiten und Heterogenität ländlicher Räume 1.3 Besondere Herausforderungen für strukturschwache, periphere Räume 2. Konzepte von Kooperation, Vertrauen, Sozialem Kapital und Verantwortung als theoretische Grundlagen für regionale Netzwerke 2.1 Kooperation als Kern von Governance-Theorien 2.1.1 Kooperation und Regionalentwicklung 2.1.2 Governance-Theorien in Fragen ländlicher Entwicklung 2.1.3 Handlungsebenen und Akteure in Governance-Theorien 2.2 Die Relation von Vertrauen und Kooperation: Ein ökonomischer Blick auf kooperatives Verhalten 2.2.1 Vertrauen als Koordinationsmechanismus 2.2.2 Ein Öffentliches-Gut-Spiel (ÖGS) als neuer Verständniszugang für zivilgesellschaftliche Netzwerke 2.3 Die Relation von Sozialem Kapital und Kooperation 2.4 Verantwortungsübernahme in Kooperationen 3. Grundlagen zur Netzwerkbildung – regional und interkommunal 3.1 Gesetzliche Grundlagen der Verantwortungsteilung in der Regionalentwicklung 3.1.1 Europäische Impulse zur regionalen Entwicklung 3.1.2 Föderalstaatlicher Rahmen und partizipative, bundesweite Fördermaßnahmen 3.2 Zivilgesellschaftliche Netzwerke im interkommunalen Kontext 3.2.1 Definition von Netzwerken 3.2.2 Verständnis von Netzwerk im regionalwissenschaftlichen Kontext unter Beteiligung der Zivilgesellschaft 3.3 Ausgewählte Studien zu Netzwerken in strukturschwachen, ländlichen Räumen 4. Forschungsfragen und Methodik der Erforschung von regionalen Netzwerken 4.1 Forschungsziel und Forschungsfragen 4.2 Auswahlkriterien des zu untersuchenden Netzwerks 4.2.1 Bestimmung der Region: Geographische Abgrenzung und sozioökonomischer Hintergrund als Auswahlkriterien 4.2.2 Wahl des Netzwerks 4.3 Methodik der Datenerhebung 4.3.1 Methodenüberblick und Begründung der Vorgehensweise 4.3.2 Dokumentenanalyse 4.3.3 Leitfaden-gestützte Interviews mit Akteuren des Netzwerks 4.3.3.1 Konzeption des Interviewleitfadens 4.3.3.2 Organisation und Durchführung der Interviews 4.3.4 Fotographische Dokumentation von Motivation und Demotivation der Akteure 4.4 Methodik der Datenauswertung – inhaltlich-strukturierende qualitative Inhaltsanalyse nach Kuckartz 5. Ergebnisse der empirischen Untersuchung des Netzwerks „Gemeinsam für die Region – Evangelische Kirche und Strukturwandel in Nordostbayern“ 5.1 Hintergründe und Arbeitsfelder des Netzwerks „Gemeinsam für die Region“ 5.1.1 Gründungsbedingungen und Vorläuferprojekt 5.1.2 Organisatorische Struktur und Ziele des Netzwerks 5.1.3 Projekte des Netzwerks 5.1.4 Gründe für Beständigkeit 5.2 Kooperation im Netzwerk 5.2.1 Definitionen von Kooperationen 5.2.2 Chancen von Kooperationen 5.2.2.1 Verbesserungsmöglichkeiten von Kooperationen 5.2.2.2 Mittelbare Effekte von Netzwerkkooperationen 5.2.3 Grenzen von Kooperationen 5.2.3.1 Umgang mit Schwierigkeiten 5.2.3.2 Herausforderungen für den Fortbestand des Netzwerks 5.2.3.3 Nicht-kooperatives Handeln 5.2.4 Interkommunale Kooperationen 5.3 Akteure als zentrale Wirkfaktoren für Kommunal- und Regionalentwicklung 5.3.1 Kompetenzen für Mitarbeit 5.3.2 Beginn und Ende der Mitarbeit 5.3.3 Art und Weise der Mitarbeit 5.3.4 Bedingungen und Hintergründe des Mitmachens 5.3.4.1 Intrinsische Motivatoren 5.3.4.2 Extrinsische Motivatoren 5.3.4.3 Motivations- und Demotivationsfaktoren im Vergleich 5.3.5 Der Rollenkontext der Mitwirkenden 5.4 Verantwortungsübernahme im Netzwerk 5.4.1 Definition von Verantwortung 5.4.2 Teilung von Verantwortung 5.4.3 Verantwortungsträger:innen 5.4.4 Verantwortung für die Region 5.4.5 Grenzen von Verantwortungsübernahme 5.4.6 Drei Dimensionen von Verantwortungsübernahme 6. Ergänzende Evidenz und Ergebnisvergleich der Erkenntnisse aus der Untersuchung des Netzwerks „Gemeinsam für die Region“ zur Kommunal- und Regionalentwicklung 6.1 Indizien der Wirkungen des Netzwerks für die Entwicklung der Region mithilfe von Daten zur Allgemeinen Lebenszufriedenheit des Sozioökonomischen Panels (SOEP) 6.1.1 Beschreibung der SOEP-Daten 6.1.2 Entwicklung der Lebenszufriedenheit im Landkreis Wunsiedel im Fichtelgebirge von 2002 bis 2017 6.1.3 Vergleich der Lebenszufriedenheit im Landkreis Wunsiedel mit Daten über den Freistaat Bayern und Deutschland von 2002 bis 2017 6.2 Theorieabgleich und Ergebnisvergleich mit Schlussfolgerungen anderer Studien 6.2.1 Beantwortung der Forschungsfragen und Abgleich der empirischen Evidenz mit dem theoretischen Fundament für regionale Netzwerkarbeit 6.2.2 Ergebnisabgleich mit ausgewählten Studien zur Kommunal- und Regionalentwicklung 7. Schlussfolgerungen 7.1 Anregungen für die Ausgestaltung der Zusammenarbeit von Staat und Bürgerschaft in der Regionalentwicklung 7.2 Ein Wirkfaktorenmodell als weiteres Ergebnis - Impuls zur Übertragbarkeit für Initiierung und Organisation (rein) zivilgesellschaftlicher Netzwerke 7.3 Ansätze für weiteren Forschungsbedarf 8. Kritische Reflexion der Forschungsarbeit Literaturverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Anhang I. Leitfaden für die Experteninterviews II. Codesystem der qualitativen Inhaltsanalyse III. Fotographische Dokumentation der Motivationskärtchen IV. Schätzergebnisse SOEP-Daten , Sprache der Kurzfassungen: Englisch, Deutsch

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2023 , Contents List of Abbreviations xv 1 Introduction 1.1 Research Objectives 1.2 Outline and Structure of Thesis 2 Theoretical Background 2.1 Introduction 2.2 Glance at Landslide Hazards 2.2.1 Overview 2.2.2 Landslide Types 2.2.2.1 Type of Movement 2.2.2.2 Material Classification 2.2.2.3 Landslide Depth 2.2.3 Landslide Distribution 2.2.4 Landslide Implications and Measurements 2.2.5 Slow-moving Landslide 2.3 Landslide Remote Sensing 2.3.1 Overview 2.3.2 Airborne Remote Sensing 2.3.3 Spaceborne Remote Sensing 2.4 Spaceborne Optical Imagery 2.4.1 Overview 2.4.2 Pixel Offset Tracking (POT) 2.5 Spaceborne Radar Imagery 2.5.1 Synthetic Aperture Radar (SAR) Basic 2.5.1.1 SAR Geometry 2.5.1.2 SAR Acquisition Mode 2.5.1.3 SAR Distortion 2.5.1.4 SAR Mission 2.5.2 Interferometric SAR (InSAR) 2.5.2.1 Workflow of InSAR Processing 2.5.2.2 Coherence and Decorrelation 2.5.2.3 Topographic and Orbital Errors 2.5.2.4 Atmospheric Artifacts 2.5.2.5 Sensitivity of Line-of-sight (LOS) to Slope Motion 2.5.3 Advanced Multi-temporal InSAR (MT-InSAR) 2.5.3.1 Scattering Mechanism 2.5.3.2 Interferogram Stacking 2.5.3.3 Persistent Scatterer Interferometry (PSI) 2.5.3.4 Small Baseline Subsets (SBAS) 2.5.4 Corner Reflector InSAR (CR-InSAR) 2.5.4.1 Overview 2.5.4.2 Conventional Designs 2.5.4.3 Our Experimental Designs 2.5.4.4 CR-InSAR Processing 3 Methodological Contribution 3.1 Challenges in Landslide Monitoring Using Spaceborne Remote Sensing 3.2 Proposed Methodology 3.2.1 Analytically-based Modeling for Inverse Velocity 3.2.2 Identification of Small-scale CR-like Objectives 3.2.3 Modeling 4D Slope Instability Dynamics 4 Pre- and Co-failure: Slope Instability Monitoring Using Spaceborne Remote Sensing 4.1 Abstract 4.2 Introduction 4.3 Environmental and Geomorphological Settings 4.4 Data and Methodology 4.4.1 Remote Sensing Optical Images 4.4.2 MT-InSAR Analysis Using Sentinel-1 SAR Data 4.4.3 Auxiliary Data 4.4.4 Inverse-velocity Theory for Anticipating the Time of Failure 4.5 Results 4.5.1 Horizontal Displacement Based on High-resolution Optical Images 4.5.2 MT-InSAR Analysis 4.5.3 Influence of Precipitation on the Kinematics of the Landslide 4.5.4 INV Results for Anticipating the Time of Failure 4.5.5 Comparison of NDVI and Coherence Values 4.6 Discussion 4.7 Conclusion 4.8 Acknowledgements 4.9 Supplementary Materials 4.9.1 Comparison of River Courses 4.9.2 Detailed Parameters of Exploited SAR Data 4.9.3 Comparison of Baseline Graphs 5 Post-failure: Slope Instability Monitoring Using Artificial Corner Reflectors 5.1 Abstract 5.2 Introduction 5.3 Experiments and Methodology 5.3.1 Experimental Design 5.3.2 Selection Strategy for CRs 5.3.3 Radar Cross-section (RCS) 5.3.4 Signal-to-clutter Ratio (SCR) 5.3.5 CR-InSAR Processing 5.4 Results and Discussion 5.5 Conclusion 5.6 Acknowledgments 5.7 Supplementary Materials 5.7.1 Calculation of SCR 5.7.2 Selection Strategy 5.7.3 Radar Intensity Map 5.7.4 Site Photo of Interference Reflector 6 Post-failure: Characterizing 4D Slope Instability Dynamics 6.1 Abstract 6.2 Introduction 6.3 Geographical Setting of the Study Area 6.4 Methodology 6.4.1 Optical Images Processing 6.4.2 Multi-temporal InSAR Processing 6.4.3 Spatiotemporal Independent Component Analysis (ICA) of Displacement 6.4.4 Multi-sensor Integration Modeling 6.5 Results 6.5.1 Horizontal Deformation Based on Planet Images 6.5.2 MT-InSAR Results 6.5.3 Feature Extraction Using ICA 6.5.4 4D Deformation Modeling 6.6 Discussion 6.6.1 Early Post-failure Deformation from Planet 6.6.2 Post-failure Kinematics from MT-InSAR 6.6.3 ICA-based Spatiotemporal Features of Deformation 6.6.4 Resolving 4D Post-failure Kinematics 6.7 Conclusion 6.8 Acknowledgments 7 Summary and Future Perspectives 7.1 Summary 7.2 Future Perspectives List of Figures List of Tables Bibliography , Sprache der Kurzfassungen: Englisch, Deutsch

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2021 , Contents 1. Introduction 1.1. Motivation 1.2. Goal and Contributions 1.3. Structure of this Thesis 2. Fundamentals 2.1. Classification 2.2. Artificial Neural Network 2.2.1. Perceptron 2.2.2. Multilayer Percptrons 2.2.3. Training 2.2.3.1. Loss Function 2.2.3.2. Gradient Descent Optimization 2.2.3.3. Step Learning Policy 2.3. Convolution Neural Networks 2.3.1. Components 2.3.1.1. Convolution 2.3.1.2. Pooling 2.3.1.3. Batch Normalization 2.3.2. CNN for Image Classification 2.3.3. CNN for Semantic Segmentation 2.3.3.1. Fully Convolution Networks 2.3.3.2. U-Net 2.3.4. Training 2.3.5. Data Augmentation 3. Related Work 3.1. CNN in general 3.1.1. Image Classification 3.1.2. Semantic Segmentation 3.2. Land Cover Classification 3.3. Land Use Classification 3.3.1. Methods not based on CNN 3.3.2. CNN-based Methods 3.4. Discussion 3.4.1. Land Cover Classification 3.4.2. Land Use Classification 4. Methodology 4.1. Overview 4.2. Land Cover Classification 4.2.1. Network Architecture 4.2.2. Network Variants 4.2.2.1. Network without skip-connections 4.2.2.2. Network with elementwise addition skip-connections 4.2.2.3. Network with learnable skip-connections 4.2.3. Training 4.3. Hierarchical Land Use Classification 4.3.1. Polygon Shape Representation 4.3.2. Patch Preparation 4.3.2.1. Tiling 4.3.2.2. Scaling 4.3.2.3. Combination of tiling and scaling 4.3.3. Network Architecture 4.3.3.1. Base Network for Mask Representation: LuNet-lite 4.3.3.2. LuNet-lite with Multi-Task Learning 4.3.3.3. Achieving Consistency with the Class Hierarchy 4.3.3.4. Network Architecture for Implicit Representation 4.3.4. Training 4.3.4.1. LuNet-lite 4.3.4.2. LuNet-lite-MT 4.3.4.3. LuNet-lite-JO and LuNet-lite-BG-JO 4.3.5. Inference at Object Level 5. Datasets and Test Setup 5.1. Datasets 5.1.1. Hameln 5.1.2. Schleswig 5.1.3. Mecklenburg-Vorpommern (MV) 5.1.4. Vaihingen and Potsdam 5.2. Evaluation Metrics 5.3. Experimental Setup 5.3.1. Land Cover Classification 5.3.1.1. Test Setup 5.3.1.2. Overview of all Experiments 5.3.1.3. Prediction Variability of FuseNet-lite 5.3.1.4. Impact of the Hyperparameter Settings 5.3.1.5. Effectiveness of the learnable Skip-Connections 5.3.1.6. Performance of FuseNet-lite 5.3.1.7. Combining Datasets 5.3.2. Land Use Classification 5.3.2.1. Input Configurations 5.3.2.2. Test Setup 5.3.2.3. Overview of all Experiments 5.3.2.4. Prediction Variability of LuNet-lite-JO 5.3.2.5. Impact of the Hyperparameter Settings 5.3.2.6. Impact of Joint Optimization 5.3.2.7. Impact of the Polygon Representation 5.3.2.8. Impact of Land Cover Information 5.3.2.9. Impact of the Patch Generation 5.3.2.10. Evaluation on all Datasets 5.3.2.11. Combining Datasets 6. Experiments 6.1. Evaluation of Land Cover Classification 6.1.1. Prediction Variability of FuseNet-lite 6.1.2. Investigations of the Hyperparameter Settings 6.1.2.1. Base Learning Rate 6.1.2.2. Mini Batch Size 6.1.2.3. The Weight of the Penalty Term in the Focal Loss 6.1.3. Effectiveness of the learnable Skip-Connections 6.1.4. Evaluation on the individual Datasets 6.1.4.1. Hameln, Schleswig and MV 6.1.4.2. Vaihingen and Potsdam 6.1.4.3. Answers to the Questions raised in Section 5.3.1.6 6.1.5. Training on the combined Datasets 6.1.6. Discussion 6.2. Evaluation of Land Use Classification 6.2.1. Prediction Variability of LuNet-lite-JO 6.2.2. Investigations of the Hyperparameter Settings 6.2.2.1. Base Learning Rate 6.2.2.2. Mini Batch Size 6.2.2.3. The Weight of the Penalty Term in the Focal Loss 6.2.3. Impact of Joint Optimization 6.2.4. Impact of the Polygon Representation 6.2.5. Impact of Land Cover Information 6.2.6. Impact of the Patch Generation Approach 6.2.7. Evaluation on all Datasets 6.2.8. Training on combined Datasets 6.2.9. Discussion 7. Conclusion and Outlook 7.1. Conclusion 7.2. Outlook References , Sprache der Kurzfassungen: Englisch, Deutsch

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2018 , 1 Einleitung 1.1 Hintergrund und Problemstellung 1.2 Ziel der Arbeit 1.2.1 Problemstellung: Erfassung von Trajektorien 1.2.2 Problemstellung: Erkennung von Bewegungsmustern in Trajektorien 1.3 Gliederung 2 Grundlagen 2.1 Modellierung von Objektbewegungen 2.2 Erfassung von Trajektorien 2.2.1 GNSS-Tracking 2.2.2 Videobasiertes Tracking 2.2.3 Vergleich des GNSS- und videobasierten Trackings 2.2.4 Weitere Tracking-Verfahren 2.2.5 Probabilistische Modellierung 2.2.6 Viterbi-Algorithmus 2.3 Erkennung von Bewegungsmustern 2.3.1 Data Mining 2.3.2 Filterung und Glättung 2.3.3 Segmentierung 2.3.4 Distanzmaße zur Bestimmung der Ähnlichkeit von Trajektorien 2.3.5 Maschinelles Lernen im Kontext raum-zeitlicher Daten 2.3.6 Sequenzmustererkennung 2.4 Dynamische Programmierung 2.5 Unterschiedliche Varianten der Datenverarbeitung 2.5.1 Zentrale und dezentrale Verarbeitung 2.5.2 Informationsaustausch 3 Stand der Forschung und verwandte Arbeiten 3.1 Erfassung von Trajektorien 3.1.1 Objektdetektion 3.1.2 Objekt-Tracking 3.1.3 Fusion heterogener Detektionen 3.1.4 Kommerzielle Systeme 3.1.5 Diskussion und Fazit 3.2 Mustererkennung in Trajektorien 3.2.1 Erkennung von wiederkehrenden unbekannten Mustern 3.2.2 Diskussion und Fazit 4 Erfassung von Trajektorien - GPS-unterstütztes Kamera-Tracking 4.1 Überblick über den Lösungsansatz 4.2 Sensoren und Eingangsdaten 4.2.1 GPS-Daten 4.2.2 Kameradaten 4.3 Vorverarbeitung 4.4 Fusion der heterogenen Daten 4.4.1 Detektionsbasierte Modellierung 4.4.2 Rasterbasierte Modellierung 4.4.3 Generierung der Trajektorien 4.5 Laufzeit des Algorithmus 4.6 System design 5 Mustererkennung in Trajektorien 5.1 Definition von Bewegungsmustern 5.2 Überblick über das entwickelte Mustererkennungsverfahren 5.3 Trajektorien als Datengrundlage 5.4 Vorverarbeitung 5.4.1 Datenbereinigung 5.4.2 Datenselektion 5.4.3 Datenintegration und Transformation 5.5 Mustererkennung: Clustering-basierter Ansatz 5.5.1 Segmentierung der Trajektorien 5.5.2 Clustering der Trajektorien 5.6 Mustererkennung: Sequenzbasierter Ansatz 5.6.1 Eingangsdaten 5.6.2 Generierung der Sequenzen aus Bewegungen 5.6.3 Bestimmung des Alphabets 5.6.4 Identifikation wiederkehrender Teilsequenzen 5.6.5 Rücktransformation zu Trajektorien 5.7 Laufzeit des Algorithmus 6 Experimente und Evaluation der Erfassung der Trajektorien 6.1 Verwendete Software 6.2 Verwendete Sensoren 6.3 Korrektheit der Zuordnungen 6.3.1 Experiment: 2 Personen 6.3.2 Experiment: Fußballanalyse 6.4 Geometrische Genauigkeit der Trajektorien 6.5 Laufzeit 6.6 Fazit 7 Experimente und Evaluation der Mustererkennung 7.1 Verwendete Software 7.2 Ergebnisverifikation 7.3 Interessantheitsmaß für Bewegungsmuster 7.4 Parameterstudien 7.4.1 Eingabeparameter 7.4.2 Datendichte 7.4.3 Invarianzen 7.5 Experimente auf realen Datensätzen 7.5.1 Beschreibung der Datensätze und Experimente 7.5.2 Experiment 1 - ACM DEBS 2013-Datensatz 7.5.3 Experiment 2 - GPS-Fußball-Datensatz 7.5.4 Experiment 3 - MapConstruction.org 7.5.5 Experiment 4 - Mantelpaviane 8 Zusammenfassung und Ausblick 8.1 Zusammenfassung 8.2 Ausblick Abbildungsverzeichnis Tabellenverzeichnis Literaturverzeichnis Lebenslauf Danksagung

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2018 , 1 Introduction 1.1 Background and motivation 1.2 Goals of this thesis 1.3 Outline 2 Background on digital maps and data mining 2.1 Digital maps 2.1.1 Navigation maps and map dynamics 2.1.2 OpenStreetMap 2.1.3 Navigation Data Standard (NDS) 2.2 Data mining 2.2.1 Knowledge Discovery in Databases (KDD) process 2.2.2 Taxonomy of data mining methods 2.2.3 Classification 2.2.4 Clustering 2.2.5 Time series analysis 3 Related work about mobile crowdsensing of on-street parking spaces 3.1 On-street parking 3.1.1 Parking occupancy detection 3.1.2 Parking availability estimation and prediction 3.1.3 Parking search and guidance 3.2 Mobile crowdsensing 3.2.1 Mobile crowdsensing in transportation 3.2.2 Mobile crowdsensing for parking 3.3 Research gaps addressed in this thesis 4 LiDAR-based parking availability data acquisition 4.1 Data recording 4.1.1 Sensor equipment 4.1.2 Measurement campaign 4.2 Methodology 4.2.1 Preprocessing 4.2.2 Segmentation 4.2.3 Classification 4.2.4 Repetition of segmentation and classification 4.2.5 Matching to road network 4.3 Results 4.3.1 Object segmentation 4.3.2 Classification 4.3.3 End-to-end evaluation of complete approach 4.3.4 Parking occupancy statistics over the day 4.4 Concluding remarks 5 Learning parking legality maps from parking observations 5.1 Methodology 5.1.1 Location of parked vehicles as method input 5.1.2 Data preprocessing 5.1.3 Definition of feature sets 5.1.4 Learning the parking legality of road subsegments 5.2 Evaluation 5.2.1 Evaluation approach 5.2.2 Results 5.3 Concluding remarks 6 Spatio-temporal analysis of large scale parking availability data and simulation of crowdsensing 6.1 Description and processing of parking dataset from SFpark 6.2 Time series analysis of parking availability data 6.3 Clustering of parking occupancy daily pattern 6.4 Spatial relations in parking availability 6.5 Modelling of crowdsensing based on downsampling for probe vehicles and mobile apps 6.5.1 Scenario based on probe vehicles 6.5.2 Scenario based on mobile apps 6.6 Modelling of probe-vehicle-based crowdsensing from taxi GPS trajectories 6.6.1 Processing overview and description of taxi trajectory dataset 6.6.2 Taxi GPS trajectory processing 6.6.3 Characteristics and aggregation of taxi coverage 6.6.4 Comparison of parking and taxi daily pattern 6.6.5 Simulation of parking availability observations 6.7 Concluding remarks 7 Parking availability estimation and prediction from crowdsensed data 7.1 Spatial interpolation of parking availability 7.2 Parking availability estimation with persistence method 7.3 Estimation and prediction of parking availability based on binary classification 7.3.1 Binary classification approach 7.3.2 Results of binary classification estimation and prediction 7.4 Concluding remarks 8 Benefits of crowdsensed parking availability information 8.1 Types of information for on-street parking 8.2 Experimental setup 8.2.1 Routing strategies 8.2.2 Data sources 8.3 Evaluation of the impact of different parking information 8.3.1 Results for all decisions in the dataset 8.3.2 Results for relevant decisions 8.3.3 Similarity of capacity 8.4 Concluding remarks 9 Conclusion and outlook 9.1 Research questions addressed and overall conclusion 9.2 Applicability of dynamic map approaches to further dynamic phenomena 9.3 Future research directions List of figures List of tables References Acknowledgements Curriculum vitae

Note: Dissertation, Fakultät für Bauingenieurwesen und Geodäsie der Gottfried Wilhelm Leibniz Universität Hannover, 2021 , 1 Introduction 1.1 Problem Statement 1.2 Contributions 1.3 Thesis Outline 2 Basics 2.1 Dense Stereo Matching 2.1.1 Terminology and Practical Simplifications 2.1.2 Taxonomy of the Matching Process 2.1.3 Challenges and Common Assumptions 2.2 Uncertainty Quantification 2.3 Deep Learning 2.3.1 Convolutional Neural Networks 2.3.2 Bayesian Neural Networks 3 Related Work 3.1 Dense Stereo Matching 3.2 Aleatoric Uncertainty Estimation 3.3 Epistemic Uncertainty Estimation 3.4 Discussion 4 Uncertainty Estimation for Dense Stereo Matching - A New Method 4.1 Overview 4.2 Aleatoric Uncertainty Estimation 4.2.1 CNN-based Cost Volume Analysis 4.2.2 Uncertainty Models 4.3 Epistemic Uncertainty Estimation 4.3.1 Functional Model 4.3.2 Stochastic Model 4.4 Joint Uncertainty Estimation 4.5 Discussion 5 Experimental Setup 5.1 Objectives 5.2 Datasets 5.3 Training and Hyper-parameter Settings 5.3.1 General Remarks 5.3.2 CVA-Net 5.3.3 Probabilistic GC-Net 5.3.4 Combined Approach 5.4 Evaluation Strategy andCriteria 5.4.1 Disparity Error Metrics 5.4.2 Confidence Error Metric 5.4.3 Uncertainty Error Metric 5.4.4 Region Masks 5.4.5 Monte Carlo Sampling 6 Results and Discussion 6.1 CVA-Net Architecture 6.2 Aleatoric Uncertainty Models 6.3 Dense Stereo Matching using a Bayesian Neural Network 6.3.1 Comparison to the Deterministic Baseline 6.3.2 On the Relevance of Aleatoric and Epistemic Uncertainty 6.3.3 The Kullback-Leibler Divergence and the Mode Collapse Problem 6.4 Discussion 7 Conclusions and Outlook Bibliography Acknowledgment