ALBERT

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2023 , Sprache der Zusammenfassungen: Englisch, Deutsch

Note: Contents 1 Introduction 2 Satellite Gravity Missions 2.1 Fundamentals of Gravity Field Recovery with Satellites 2.1.1 Motion of a Satellite in Space 2.1.2 Representation of the Earth’s Gravity Field 2.1.3 Orbit Design of Satellite Gravity Missions 2.2 Previous Satellite Gravity Missions 2.2.1 Missions and Measurement Concepts 2.2.2 State-of-the-art Sensors 2.2.3 State-of-the-art Control Systems 2.2.4 State-of-the-art Accelerometer Calibration 2.3 Concepts for Future Satellite Gravity Missions 2.3.1 Challenges of Satellite Gravity Missions and Requirements for Future Satellite Missions 2.3.2 Developments in the Sensor Technology 2.3.3 Concepts for Orbit Design 3 Evaluation of Simulation Environment 3.1 Overview of the Simulation Environment 3.2 Modeling of Non-gravitational Forces 3.3 Modeling of the Sensor Behavior 3.3.1 Classical Electrostatic Accelerometer 3.3.2 Cold Atom Interferometry Accelerometer 3.3.3 Ranging Measurement Instruments 3.4 Modeling of Control System Behavior 3.4.1 Drag-free Control 3.4.2 Attitude Control 3.5 Time-variable Background Modeling Errors 3.6 Gravity Field Recovery 3.6.1 Least-squares Adjustment 3.6.2 Range Accelerations 3.6.3 Gradiometry 3.6.4 Combination of Range Accelerations and Gravity Gradients 3.7 Summary 4 Impact of New Measurement Concepts on Gravity Field Recovery 4.1 Selection of Simulation Scenarios 4.2 Drag Compensation Analysis 4.2.1 Drag Compensation Requirements due to Accelerometer Imperfections for ll-SST Missions 4.2.2 Drag Compensation Requirements for Gradiometry due to Accelerometer Imperfections 4.2.3 Saturation of the Accelerometer 4.2.4 Propellant Consumption 4.3 Cold Atom Interferometry Accelerometer Analysis 4.4 Gravity Field Solutions using Different Accelerometer Types for ll-SST Missions 4.5 Gravity Field Solutions using Different Accelerometer Types for Gradiometry Missions 4.6 Combined Gravity Field Solutions from ll-SST and Cross-track Gradiometry 4.7 Summary 5 Summary and Outlook A Appendix A.1 Reference Frames A.2 Satellite Reference Attitudes for Attitude Control A.3 Simulation results - Gravity Field Solutions for ll-SST Missions A.3.1 Instrument-only scenarios A.3.2 Scenarios including AOD and Ocean-tide Error A.4 Simulation results - Combined Gravity Field Solutions from ll-SST and Crosstrack Gradiometry Bibliography List of Figures List of Tables Acronyms Acknowledgments

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, 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, 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: 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: Contents 1 Introduction 2 Normal Points and LLR Analysis Description 2.1 Distribution of Normal Points 2.1.1 Observatories 2.1.2 Reflectors 2.1.3 Synodic Angle and Wavelength of Laser Signals 2.2 Uncertainty of Normal Points 2.3 LLR Analysis Description 3 Data Reduction and Parameter Estimation 3.1 Uncertainty of Estimated Parameters 3.1.1 Sensitivity Analysis 3.1.2 Validation by Resampling 3.2 Geocenter Motion 3.3 Loading 3.3.1 Atmospheric Loading 3.3.2 Non-Tidal Loading 4 Ephemeris Calculation 4.1 2-way Calculation 4.1.1 Calculated Ephemeris 4.1.2 LLR Residuals 4.1.3 Estimated Parameters 4.1.4 Correlations 4.2 Dynamical Model 4.2.1 DE440 Ephemeris based updates 4.2.2 Undistorted Total MOI of the Moon 4.3 Effect of Additional Asteroids 4.4 Comparison of Results: LUNAR vs INPOP and DE 5 Earth Rotation Parameters Estimation 5.1 A-priori Data 5.2 Selection of Nights 5.3 Uncertainty Estimation 5.4 Earth Rotation Phase Estimation 5.4.1 Estimated Values 5.4.2 Correlations 5.5 Terrestrial Pole Coordinates Estimation 5.5.1 Estimated Values 5.5.2 Correlations 6 Relativistic Tests with LLR 6.1 Equivalence of Active and Passive Gravitational Mass 6.1.1 Determination of the Lunar Angular Acceleration 6.1.2 Limit on Equivalence of Active and Passive Mass 7 Conclusions and Outlook 7.1 Conclusions 7.2 Outlook A List of Fitted Parameters B List of Biases List of Figures List of Tables List of Abbreviations Bibliography

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, 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, 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, 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: 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

Note: Beiträge teilweise in deutscher, teilweise in 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, 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: Contents Abstract Zusammenfassung List of Figures List of Tables Abbreviation Contents 1 Introduction 1.1 Motivation 1.2 Proposal and content 2 State of art in terrestrial laser scanning and finite element analysis 2.1 General surface measurements and TLS 2.1.1 Surface measurement 2.1.2 Geometric measurements with TLS and its technical fundamentals 2.2 FEA computations 2.2.1 FEA 2.2.2 FEA computation and the description of the boundary domain 2.3 TLS application in FEA 2.3.1 FEA parameter calibration with TLS 2.3.2 FEA geometric boundary modeling with TLS 2.3.3 Benefits of combination between TLS and FEA 3 Finite element analysis parametric geometric modeling and calibration based on terrestrial laser scanning 3.1 Fundamentals of polynomial and B-spline fitting 3.1.1 Polynomial fitting 3.1.2 B-spline fitting 3.2 Other parametric methods in fitting point clouds 3.3 Analysis and comparison between polynomial and B-spline approximations 3.4 Implementation of the calibration cases 3.5 Validation based on deformation analysis 3.5.1 General methods in deformation computation and analysis for TLS 3.5.2 Case implementation 4 Sequential calibration of finite element analysis results with terrestrial laser scanning reference based on deep learning 4.1 Employment of DL in FEA 4.1.1 Direct outputs corresponding to inputs by training neural networks 4.1.2 Material model 4.1.3 Other problems 4.1.4 Summary and analysis 4.2 DL sequential prediction and its potential in FEA 4.3 LSTM methods based on sequential prediction 4.3.1 Challenges and advanced variant models of LSTM 4.3.2 Effects of activation functions in convolutional LSTM 4.4 Sequential prediction and calibration of FEA results with a TLS reference based on convolutional LSTM 5 Conclusions and outlook Contributions of authors Paper 1 Paper 2 Paper 3 Paper 4 Bibliography Curriculum Vitae Acknowledgment

Note: Contents 1 Introduction 1.1 LEO satellites 1.2 ESA Swarm mission 1.3 Objectives and structure of this work 2 GPS data quality analysis of the Swarm satellite formation 2.1 Fundamentals of GPS 2.2 Tracking performance 2.2.1 Receiver settings 2.2.2 Number of satellites tracked 2.3 Observation Analysis 2.3.1 Signal strength 2.3.2 Code noise 2.3.3 Carrier phase noise 2.4 Geometry-free linear combination 2.5 Cycle Slip Detection/Repair 2.6 Outlier detection 3 Kinematic orbit determination 3.1 Observation modeling 3.1.1 Precise Point Positioning 3.1.2 Batch least-squares adjustment 3.2 Kinematic orbit results 3.2.1 Validation with reduced-dynamic orbits 3.2.2 Validation with external kinematic orbits 3.2.3 Evaluation of orbit quality with residuals of observations 3.2.4 Validation with Satellite Laser Ranging 3.2.5 Validation with gravity fields 3.2.6 Receiver clock 3.3 Covariance Information 4 Kinematic baseline determination 4.1 Relative positioning models 4.1.1 Single-difference model 4.1.2 Double-difference model 4.1.3 Processing strategy using LSA 4.2 Kinematic baseline results 4.2.1 Comparing PPP and DD float baseline 4.2.2 Comparing baselines with float and fixed ambiguities 5 Kinematic velocity determination 5.1 Observation modeling 5.2 Kinematic velocity results 6 Analysis and mitigation of ionospheric scintillation effects 6.1 Ionospheric scintillations characterized by the Swarm satellites 6.2 Phase tracking loop 6.3 Mitigation of high-frequency noise over the polar areas 6.4 Mitigation of tracking errors over the equatorial areas 7 Conclusions , Sprache der Kurzfassungen: Englisch, Deutsch

Note: Contents 1 Introduction 1.1 Motivation and objective 1.2 Problem statement and contributions 1.3 Reader's guide 2 State of the art 2.1 Image features and relative orientation 2.2 Efficient image matching 2.2.1 Reduction of the number of features per image 2.2.2 Reduction of the number of image pairs 2.2.3 Other integrated methods 2.3 Incremental and hierarchical image orientation 2.3.1 Incremental image orientation 2.3.2 Hierarchical image orientation 2.4 Global image orientation 2.4.1 Outlier detection in relative orientation 2.4.2 Global rotation estimation 2.4.3 Global translation estimation 2.5 Alternative solutions for image orientation 2.6 Discussion 3 Preprocessing 3.1 Time efficient image matching based on a random k-d forest 3.1.1 Construction of the random k-d forest 3.1.2 Determination of overlapping image pairs 3.1.3 Clustering images and discarding single images 3.1.4 Determination of relative orientation parameters 3.2 Robustifying the ROs for robust global image orientation 3.2.1 Detecting and eliminating RO outliers by checking compatibility of triplets 3.2.2 Detecting and eliminating RO outliers due to repetitive structure 3.2.3 Detecting and eliminating RO outliers of very short baselines and baselines parallel to the viewing direction 3.2.4 Identifying correct ROs of baselines parallel to the viewing direction 3.3 Discussion 4 Global image orientation 4.1 General Overview 4.2 Global rotation estimation 4.2.1 Rotation preliminaries and problem statement 4.2.2 Robust solution of global rotations 4.2.3 Discussion 4.3 Global translation estimation 4.3.1 Problem statements and relevant function model 4.3.2 Determination of globally consistent scale factors 4.3.3 Solving global translations based on relative translations 4.4 Robust bundle adjustment 4.5 Discussion 5 Experimental setup 5.1 Objectives of the designed experiments 5.2 Test datasets 5.3 Free parameter settings 5.4 Evaluation strategy and criteria 5.4.1 Preprocessing steps 5.4.2 Global image orientation 6 Evaluation 6.1 Evaluation of preprocessing steps 6.1.1 Performance of overlapping pair determination 6.1.2 Performance of the robustification of ROs 6.2 Evaluation of global image orientation 6.2.1 Ordered datasets 6.2.2 Unordered datasets 6.2.3 Problematic datasets 6.3 Synthesis 6.3.1 Preprocessing steps 6.3.2 Global image orientation 7 Conclusion and Outlook Appendix A. Proposition for very short baselines B. Calculation of the discrepancy between relative orientation and ground truth exterior orientation parameters B.l Discrepancy with respect to relative rotations B.2 Discrepancy with respect to relative translations C. Calculation of the mean translation errors References

Note: Contents 1 Introduction 1.1 Motivation 1.2 Objective & Research Questions 1.3 Outline of the Thesis 2 Related Work and Theory 2.1 GNSS Positioning 2.1.1 GNSS Constellations 2.1.2 Position Estimation 2.1.3 Measurement Errors in GPS Measurements 2.2 Reliability 2.3 Integrity 2.3.1 Conventional RAIM 2.3.2 Advanced RAIM 2.3.3 Augmentation Systems 2.3.4 Derivation of Conventional RAIM 2.3.5 Protection Level 2.4 Interval Mathematics 2.4.1 Basic Interval Mathematical Operations 2.4.2 Interval Vectors and Matrices 2.4.3 Interval Functions 2.4.4 Set Inversion via Interval Analysis 2.4.5 Contractors 2.4.6 Application of Interval Analysis to Navigation 2.5 Determination of Observation Interval Bounds 2.5.1 Probabilistic Approaches with a Priori Integrity Risk 2.5.2 Sensitivity Analysis of the Measurement Correction 2.5.2.1 Concept 2.5.2.2 Klobuchar Ionospheric Model 2.5.2.3 Saastamoinen Tropospheric Model 2.5.3 Expert Knowledge and Desired Size of the Bounding Zone 3 Integrity Approaches Based on Interval Mathematics and Set Theory 3.1 Interval Extension of Least-Squares Adjustment 3.2 Set Inversion Via Interval Analysis 3.3 Linear Programming Bounding Method 3.4 Developed Method Based on Primal-Dual Poly tope and Intervals 3.4.1 Polytopes and Zonotopes 3.4.2 Formulation and Methodology 3.4.3 Interpretation of Bounding Zones and Related Consistency Measures 3.4.4 Minimum Detectable Bias Definition 3.4.5 Integrity Measures Via Zonotopes and Polytopes 4 Performance Analysis of the Developed Methods by Monte Carlo Simulations 4.1 Introduction 4.2 Characterization of a Nominal Behavior 4.3 Proposal to Select the Critical Value of the Polytope Tests 4.4 Impact of Biases 4.4.1 Introductory Example 4.4.2 Impact of Different Biased Satellites and Observation Interval Bounds 4.4.3 Impact of Different Biased Satellites and Satellite Geometry 4.5 Analysis of the Polytope Global and Local Tests 4.5.1 General Proceeding 4.5.2 Critical Detection Scenarios - Correlated Satellites 4.5.3 Critical Detection Scenarios - Bad Geometry 4.6 Probabilistic Test Statistic Results 4.6.1 Results of Probabilistic Test Statistics 4.7 Comparison Between Probabilistic Tests and Polytopal Test 4.7.1 Good Satellite Geometry 4.7.2 Bad Satellite Geometry 4.8 Analysis of Protection Levels 4.8.1 Zonotopal Horizontal and Vertical Protection Levels 4.8.2 Statistical Based Horizontal and Vertical Protection Level 5 Real Data Analysis 5.1 Introduction 5.2 Positioning Analysis 5.2.1 Results from Scenario 1 - Urban Area 5.2.2 Results from Scenario 2 - Semi-Urban Area 5.3 Fault Detection and Exclusion 5.4 Minimum Detectable Bias 5.5 Protection Level 6 Conclusions and Outlook Bibliography Acknowledgments Curriculum Vitae

Note: Contents 1 Introduction 1.1 Shared Space 1.2 Motivation and Research Objectives 1.3 Proposals and Contributions 1.3.1 Interaction Detection 1.3.2 Trajectory Prediction 1.4 Structure of the Thesis 2 Concepts of Deep Learning and Fundamental Methods for Behavior Modeling 2.1 Introduction to Deep Learning 2.1.1 Feed-Forward Network with Backpropagation 2.1.2 Convolutional Neural Network 2.1.3 Recurrent Neural Network 2.2 Approaches for Object Detection and Classification 2.2.1 You Only Look Once 2.2.2 Multi-Level Feature Pyramid Network 2.3 Optical Flow 2.4 Spatial Clustering 2.5 Transformer Encoder with Self-Attention 2.6 Conditional Generative Model 2.6.1 Variational Auto-Encoder 2.6.2 Conditional Variational Auto-Encoder 3 Related Work 3.1 Interaction Detectio 3.1.1 Collisions, Conflicts, and Interactions 3.1.2 Automated Detection Using Computer Vision Methods 3.2 Trajectory Prediction 3.2.1 Expert vs. Data Driven 3.2.2 State-of-the-Art Deep Learning Approaches 4 Methodological Contributions 4.1 Interaction Detection 4.1.1 Problem Formulation and the Proposed Model 4.1.2 Sequence-to-Sequence Processing 4.1.3 Estimation of Uncertainty 4.1.4 Feature Extraction 4.2 Trajectory Prediction 4.2.1 Problem Formulation and the Proposed Model 4.2.2 Trajectory Ranking 4.2.3 Feature Extraction 5 Interaction Detection 5.1 Data Acquisition and Pre-processing 5.2 Experiments 5.2.1 Pipeline 5.2.2 CVAE Model for Interaction Detection 5.2.3 Baseline Model 5.2.4 Ablation Studies 5.2.5 Evaluation Metrics 5.3 Results 5.3.1 Quantitative Results 5.3.2 Qualitative Results 5.3.3 Analysis of the Results 5.4 Discussion 5.4.1 Failed Detection 5.4.2 Challenges of Cross-Dataset Generalization 5.5 Summary 6 Trajectory Prediction 6.1 Multi-Context Encoder Network 6.1.1 Framework 6.1.2 Experiments 6.1.3 Results 6.1.4 Discussion 6.1.5 Summary 6.2 Attentive Maps Encoder Network 6.2.1 Framework 6.2.2 Experiments 6.2.3 Results 6.2.4 Discussion 6.2.5 Summary 6.3 Dynamic Context Encoder Network 6.3.1 Framework 6.3.2 Experiments 6.3.3 Results 6.3.4 Discussion 6.3.5 Summary 7 Conclusion and Outlook 7.1 Conclusion 7.2 Outlook List of Figures List of Tables Acronyms Bibliography Acknowledgements Curriculum Vitae , Sprache der Kurzfassungen: Deutsch, Englisch

Note: Contents 1. Introduction 1.1. Motivation 1.2. Main Contributions 1.3. Thesis Outline 2. Basics 2.1. Feature based Image Matching 2.1.1. Overview: What is Feature based Image Matching? 2.1.2. Desired Properties for Detected Features and Descriptors 2.1.3. Scale-Invariant Feature Detection 2.1.4. Feature Affine Shape Estimation 2.1.5. Feature Orientation Assignment 2.1.6. Feature Description 2.1.7. Descriptor Matching 2.2. Convolutional Neural Network (CNN) 2.2.1. Architecture of CNN 2.2.2. Training of CNN 2.3. Siamese Convolutional Neural Network 3. Related Work 3.1. Local Feature Detection 3.1.1. Translation and Rotation Invariant Features 3.1.2. Scale Invariant Features 3.1.3. Detectors based on a Comparison of Grey Values or Saliency 3.1.4. Detectors based on Machine Learning 3.2. Feature Orientation and Affine Shape Estimation 3.2.1. Orientation Assignment 3.2.2. Affine Shape Estimation 3.3. Local Feature Description 3.3.1. Hand Crafted Descriptors 3.3.2. Machine Learning based Descriptors 3.4. An Application: Orientation of Oblique Aerial Images 3.5. Discussion 3.5.1. Orientation Assignment and Affine Shape Estimation 3.5.2. Descriptor Learning 3.5.3. An Aerial Photogrammetric Benchmark 3.5.4. Ability to Transfer Learned Modules 4. Deep Learning Feature Representation 4.1. Overview of the Methodology 4.2. Descriptor Learning using Active Weak Match Finder - WeMNet 4.2.1. Descriptor Learning Architecture 4.2.2. Generation of Training Pairs 4.2.3. Loss Function 4.2.4. Weak Match Branch 4.3. Self Supervised Feature Affine Shape Learning - MoNet 4.3.1. Affine Transformation Decomposition 4.3.2. Self Supervised Affine Shape Estimation Module 4.4. Self Supervised Orientation Assignment Module - MGNet 4.5. Full Affine Estimation Network - Full-AfFNet 4.5.1. Full Affine Network 4.5.2. Training Loss 4.5.3. Data Augmentation 4.6. Inference based on the Trained Networks 4.7. Discussion 4.7.1. Descriptor Learning 4.7.2. Affine Shape Estimation 4.7.3. Orientation Assignment Learning 4.7.4. The Inference Pipeline 5. Experiments and Results 5.1. Datasets 5.1.1. Datasets for Training 5.1.2. Datasets for Testing 5.2. Evaluation and Analysis Criteria 5.2.1. Task A: Patch based Image Matching 5.2.2. Task B: Descriptor Distance Analysis 5.2.3. Task C: Feature based Image Matching 5.2.4. Task D: Image Orientation 5.2.5. Summary of Tasks and Involved Datasets 5.3. Descriptor Learning and Patch Based Image Matching 5.3.1. Parameter Study for WeMNet 5.3.2. Comparison to Related Work 5.4. Descriptor Distance Analysis 5.4.1. Translation 5.4.2. Rotation 5.4.3. Affine Shape Transformation 5.5. Image Matching Analysis 5.5.1. Parameter Study for Affine Shape Learning 5.5.2. Image Matching for Rotation Dataset 5.5.3. Image Matching for Hpatches Affine Dataset 5.6. Image Orientation 5.6.1. Determination of Image Orientation 5.6.2. Experiment Setup Details 5.6.3. Orientation Result of Different Blocks 5.6.4. Matching Quality Analysis 6. Discussion 6.1. Descriptor Learning and Patch Based Image Matching 6.1.1. Parameter Study 6.1.2. Comparison to Related Works 6.2. Descriptor Distance Analysis 6.2.1. Translation 6.2.2. Rotation 6.2.3. Affine Shape Transformation 6.3. Feature based Image Matching 6.3.1. Parameter Study 6.3.2. Rotation Set 6.3.3. Affine Set 6.4. Image Orientation 7. Conclusion and Outlook Bibliography A. Affine Shape Adaptation Theory A.l. transformation of affine Gaussian scale-space A.2. Local affine distortion measurement A.3. More affine transformation

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: Zusammenfassung in englisch und deutsch Seite v-vii

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, 2019 , Inhaltsverzeichnis 1 Einleitung 1.1 Motivation und Zielsetzung 1.2 Gliederung 2 Mathematische Grundlagen 2.1 Freiform-Kurven 2.1.1 PolynomialeFunktionen 2.1.2 Splines 2.1.3 Stellgrößen 2.2 Schätztheorie 2.2.1 Methode der kleinsten Quadrate 2.2.2 M-Schätzung 2.2.3 Verschiedene (robuste) M-Schätzer 2.2.4 Lösungsalgorithmus für die M-Schätzung 3 Modellierung und Schätzung von B-Spline-Kurven 3.1 Modellwahl 3.1.1 Informationskriterien 3.1.2 Hypothesentests 3.1.3 Structural Risk Minimization 3.1.4 Zusammenfassung Modellwahl 3.2 Parametrisierung 3.2.1 Deterministische Methoden 3.2.2 Iterative Methoden 3.2.3 Zusammenfassung Parametrisierung 3.3 Knotenvektorwahl 3.3.1 Deterministische Methoden 3.3.2 Heuristische Methoden 3.3.3 Zusammenfassung Knotenvektorwahl 3.4 KontrollpunktSchätzung 3.4.1 Reine Kontrollpunktschätzung 3.4.2 Erweiterte Kontrollpunktschätzung 3.4.3 Zusammenfassung Kontrollpunktschätzung 4 Methodische Innovation Knotenvektorwahl 4.1 Residuenbasierter Iterativer Update (RIU) Algorithmus 4.1.1 Methodik. 4.2 Evolutionäre Monte-Carlo (EMC) Methode 4.2.1 Methodik 4.2.2 Parameterwahl 4.3 Elitärer genetischer Algorithmus 4.3.1 Methodik 4.3.2 Modifikationen 4.3.3 Parameterwähl 5 Numerische Beurteilung und Validierung der Knotenvektorwahl 5.1 Simulation 5.1.1 Ablauf der Simulation 5.1.2 Testdatensätze 5.1.3 Rauschmodell 5.2 Konvergenzverhalten der verschiedenen Modifikationen beim EGA 5.3 Präzision und Richtigkeit der verschiedenen Methoden zur Knotenvektorwahl 5.3.1 Ergebnisse 5.3.2 Zusammenfassung 5.4 Sensitivitätsanalyse der Kontrollpunktschätzung 5.4.1 Ergebnisse 5.4.2 Zusammenfassung 5.5 Abweichende Modellwahl 5.5.1 Ergebnisse 5.5.2 Zusammenfassung 5.6 Reale Datensätze - Kreuzvalidierung 5.6.1 Datensätze 5.6.2 KreuzValidierung 5.6.3 Ergebnisse 5.6.4 Zusammenfassung 6 Numerische Beurteilung der B-Spline-Approximation bei Ausreißern 6.1 Rauschmodelle 6.2 Ergebnisse Knotenvektormethoden 6.2.1 Zusammenfassung 6.3 Sensitivitätsanalyse der Kontrollpunktschätzung bei ausreißerbehafteten Datensätzen 6.4 Belastbarkeit der Schätzer 6.4.1 Zusammenfassung 7 Fazit und Ausblick 7.1 Fazit 7.2 Ausblick A Anhang A.l Simulierte B-spline Kurven A.2 Numerische Beurteilung und Validierung der Knotenvektorwahl A.3 Numerische Beurteilung der B-Spline-Approximation bei Ausreißern Literaturverzeichnis Abbildungsverzeichnis Tabellenverzeichnis Algorithmenverzeichnis Lebenslauf , Kurzfassungen in deutscher und englischer Sprache

Note: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2020 , Abstract Zusammenfassung Acknowledgments Definition, Acronyms and Symbols 1 Introduction 1.1 Motivation 1.2 Person Re-Identification 1.3 Problem statement and research objective 1.4 Contribution 1.5 Outline of this thesis 2 Related work 2.1 Scope 2.2 Historical overview 2.3 Terminology and strategies 2.4 Handcrafted feature extraction methods 2.5 Data-driven feature extraction methods 2.6 Person view specific methods 2.7 Re-Ranking based methods 2.8 Domain adaptation methods 2.9 Discussion 3 Fundamentals 3.1 Fisheye camera geometry and projection model 3.2 Feature extraction 3.2.1 GOG/XQDA - a handcrafted feature extraction method 3.2.2 TriNet and SRNN - two data-driven feature extraction methods .... 4 A new approach for person re-identification 4.1 General overview 4.2 Input and assumptions 4.3 Projection alignment 4.4 View classification and sampling 4.5 Per-view matching 4.6 Fusion 4.7 Discussion of the approach 5 Experimental evaluation 5.1 General structure of this chapter 5.2 Multi-view investigations 5.2.1 Datasets 5.2.2 Training and inference procedure 5.2.3 Evaluation and discussion 5.3 Bird's eye view investigations 5.3.1 Datasets 5.3.2 Training and inference procedure 5.3.3 Evaluation and discussion 5.4 Influence of data 5.4.1 Datasets 5.4.2 Training and inference procedure 5.4.3 Evaluation and discussion 5.5 Fisheye investigations 5.5.1 Datasets 5.5.2 Training procedure 5.5.3 Projection alignment 5.5.4 Person view classification 5.5.5 Assessment of PRID results 5.5.6 Comparison with a contemporary approach 5.5.7 Qualitative comparison 6 Conclusions and future work A Datasets A.l Our novel datasets A.2 Public datasets References , Sprache der Zusammenfassungen: 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: 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 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: Dissertation, Gottfried Wilhelm Leibniz Universität Hannover, 2019 , Contents 1. Introduction 1.1. Motivations and background 1.2. Research hypotheses and aims 1.3. Outline of this work 2. Fundamentals and theory of seismic noise 2.1. Fundamentals of mechanical vibration 2.1.1. Theory of oscillation 2.1.1.1. Oscillation and waves 2.1.1.2. Standing waves and resonance 2.1.1.3. Types of noise 2.1.1.4. Signal-to-Noise Ratio 2.1.2. The oscillatory systems 2.1.2.1. Mass-Spring-Damper model 2.1.2.2. Equation of motion 2.1.2.3. Free damped oscillation 2.1.2.4. Forced damped oscillation 2.1.3. Modal analysis 2.1.3.1. Fourier transform 2.1.3.2. Windowing 2.1.3.3. Averaging and overlapping 2.1.4. Data evaluation 2.1.4.1. Presenting spectra and spectral densities 2.1.4.2. RMS value in the frequency domain 2.1.4.3. Transfer function 2.1.4.4. Spectrogram 2.2. Seismic noise sources 2.2.1. Natural sources 2.2.1.1. Geodynamical aspects 2.2.1.2. Geological aspects at Hamburg, DESY 2.2.2. Human-made sources 2.2.2.1. Impact by stationary objects 2.2.2.2. Impact by traffic on site, machines and human work 2.2.2.3. Technical devices in the laboratory 2.3. Methods of seismic isolation 2.3.1. Passive constructions 2.3.1.1. Principle of a simple pendulum 2.3.1.2. Principle of a spring pendulum 2.3.1.3. The inverted pendulum concept 2.3.1.4. The anti-spring concept 2.3.1.5. The harmonic oscillator as transfer function 2.3.2. Control theory 2.3.2.1. Simple controller 2.3.2.2. Feed-forward controller 2.3.2.3. Feedback controller 2.3.2.4. Combined controller 3. The Any Light Particle Search experiment 3.1. ALPS and its seismic noise requirements 3.1.1. The physics of ALPS 3.1.2. Optical resonators 3.1.3. Control loop design 3.1.4. Frequency region and absolute length requirements 3.1.5. Infrastructure and status 3.2. Tools and techniques used for seismicmeasurements, analyses, and isolations 3.2.1. Seismic measuring instruments 3.2.1.1. Seismometers 3.2.1.2. Acquisition devices 3.2.1.3. Selected measurement chain 3.2.2. Data management and analyses 3.2.2.1. Notations for documentation 3.2.2.2. Analysing procedure 3.2.3. Finite Element Method simulation 3.2.3.1. Simple isolation simulations 3.2.3.2. Over-determined isolation systems 3.2.3.3. Selected FEM tools 4. Seismic noise analysis 57 4.1. Method of frequency-weighted and averaged FFT 4.1.1. Problem definition and motivation 4.1.2. The solution approaches 4.1.2.1. Stitching 4.1.2.2. LPSD 4.1.2.3. New solution approach 4.1.3. The MfwaFFT algorithm 4.1.3.1. Data preparation 4.1.3.2. FFT generation 4.1.3.3. Windowing of the iteration steps 4.1.3.4. Weighting 4.1.3.5. Summing up 4.1.4. Advantages and disadvantages 4.1.5. Discussion in the field of geodesy 4.2. Measurement Preparation 4.2.1. Calibration of seismic devices 4.2.1.1. Single instruments 4.2.1.2. Cross-calibration 4.2.2. Accuracy analysis 4.2.2.1. Measuring device accuracy and precision 4.2.2.2. Digital uncertainties and errors 4.3. Seismic measurements on-site 4.3.1. On-site noise conditions (HERA) 4.3.1.1. ALPS IIa laboratory (HERA West) 4.3.1.2. ALPS IIc site (HERA North) 4.3.1.3. Reference (HERA South) 4.3.2. Optic-related components of the ALPS II experiment 4.3.2.1. Optical tables 4.3.2.2. CBB and mirror mountings 4.3.3. Associated noise sources 4.3.3.1. Dipole magnet girders 4.3.3.2. Filter Fan Units 4.4. Filtering of signal 4.4.1. Spatial transfer functions 4.4.2. Low-pass filter due to the cavity pole frequency 4.4.3. Filter by the control loop 4.5. Data evaluation 4.5.1. Specifications for the ALPS IIa isolation 4.5.2. Specifications for an ALPS IIc isolation 4.5.3. Specifications for a JURA isolation 5. Development of seismic isolation systems 5.1. Procedure for handling seismic noise and isolation problems 5.2. State-of-the-art seismic isolation concepts 5.2.1. The LIGO system 5.2.2. The VIRGO system 5.3. Development of a seismic isolation system 5.3.1. CAD draft of a test model 5.3.2. FEM simulations 5.3.3. Design drawing 5.3.4. Evaluation and validation 5.4. Seismic isolation concept for ALPS IIc and JURA 6. Conclusion 6.1. Summary 6.2. Outlook , Sprache der Zusammenfassungen: Englisch, Deutsch

Note: Inhaltsverzeichnis 1 Einleitung 1.1 Ausgangssituation 1.2 Projektkonzept und Fragestellungen 2 Zusammenfassung der Ergebnisse 3 Empfehlungen für die Praxis 3.1 Tangeihumus erkennen 3.2 Humusabbau vorbeugen 3.3 Humusvorräte wiederherstellen 4 Offene Fragen und Forschungsbedarf 4.1 Hemmung des Humusabbaus 4.2 Bedeutung des Totholzes die Humusbildung 4.3 Umsetzung in der Forstpraxis 5 Deutsche und englische Kurzfassung 5.1 Zusammenfassung 5.2 Alpine humus as C-storage and vital site factor for mountain forests of Bavaria's Limestone Alps (English Summary) 6 Literatur

Note: Inhaltsverzeichnis Kurzfassung Abstract Abbildungsverzeichnis Liste der Abkürzungen 1 Einleitung 1.1 Motivation 1.1.1 Merkmale von geodätischen Daten 1.1.2 Statistische Modelle 1.1.3 Computergestützte und simulationsbasierte geodätische Datenanalyse 1.2 Ziele der Arbeit 1.3 Übersicht der originalen Publikationen zur kumulativen Habilitation 1 TEIL 1: Synopse der Habilitation 2 Optimierungsverfahren und Parameterschätzung in linearen und nicht-linearen Modellen 2.1 Einführung in die Parameterschätzung in linearen Regressionsmodellen 2.2 Vorstellung der ausgewählten nicht-linearen Regressionsmodelle 2.3 MODELL I: Robuste B-Spline Regressionsmodelle 2.3.1 Mathematisches Modell und Algorithmen zur Optimierung von Knotenvektoren 2.3.2 Anwendungsfälle zum MODELL I 2.4 MODELL II: Regressionsmodelle mit autoregressiven Prozessen und t-verteiltem Messrauschen 2.4.1 Mathematisches Modell und GEM-Algorithmen zur Parameterschätzung 2.4.2 Anwendungsfälle zum MODELL II 2.5 MODELL III: Bayessche robuste Regressionsmodelle mit t-verteiltem Messrauschen 2.5.1 Mathematisches Modell 2.5.2 Markov-Chain-Monte-Carlo (MCMC) Algorithmen zur Parameterschätzung 2.5.3 Anwendungsfälle zum MODELL III 2.6 Zusammenfassung des Kapitels 3 Filterungs- und Optimierungsverfahren für die Zustandsschätzung im nicht-linearen Zustandsraum 3.1 Einführung zur verschiedenen Filterungstechniken und zur sequentiellen Bayesschen Zustandsschätzung 3.2 Vorstellung nicht-linearer Filterungstechniken 3.3 FILTERUNGSANSÄTZE I: Stochastisch-analytische Ansätze 3.4 FILTERUNGSANSÄTZE II: Monte-Carlo-Simulationsbasierte Ansätze 3.5 FILTERUNGS ANSÄTZE III: Kombinierte stochastisch-deterministische Ansätze 3.6 Zusammenfassung des Kapitels 4 Simulationsbasierte Methoden für die Inferenzstatistik 4.1 Einführung in Monte-Carlo- und Bootstrapping-Methoden 4.2 Vorstellung der simulationsbasierten Methoden für die Inferenzstatistik 4.3 Simulationsbasierte-Techniken zur Bestimmung von statistischen Momenten und Konfidenzintervallen 4.3.1 BEREICHSSCHÄTZUNG I: Monte Carlo-Methoden zur GUM Unsicherheitsmodellierung 4.3.2 BEREICHSSCHÄTZUNG II: Bootstrapping zur Schätzung des Konfidenzbereichs für den EM-Algorithmus 4.4 Statistische Beurteilung von Schätzergebnissen mit simulationsbasierten Hypothesentests 4.4.1 TESTPROBLEM I: Simulationsbasierter Ansatz für die Modellwahl zur Oberflächenmodellierung von 3D-Punktwolken 4.4.2 TESTPROBLEM II: Bootstrap-Ansatz für das Testen auf Zeitvariabilität eines AR-Prozesses 4.5 Zusammenfassung des Kapitels 5 Zusammenfassung und Ausblick 5.1 Zusammenfassung 5.2 Ausblick II TEIL 2: Eigene Veröffentlichungen 6 Liste der eigenen Publikation 6.1 Veröffentlichungen zur Kapitel 2 6.2 Veröffentlichungen zur Kapitel 3 6.3 Veröffentlichungen zur Kapitel 4 6.4 Beiträge der Autoren 7 Originalpublikationen 7.1 Originalpublikationen zur Kapitel 2 7.2 Originalpublikationen zur Kapitel 3 7.3 Originalpublikationen zur Kapitel 4 Literaturverzeichnis Danksagung Lebenslauf

Note: Inhaltsverzeichnis Impressum Vorwort Inhaltsverzeichnis Älter als die Römer? Bisher übersehene Spuren einstiger Beackerung unter bayerischen Wäldern / Volker Arnold Der Fichten-Wirtschaftswald ist krank - Vorgeschichte, Diagnose und Therapie / Günter Biermayer Aus den Nürnberger WaldherrenVerlässen - Eine Kostprobe aus den 1590er Jahren / Daniel Burger Stadt und Wald: Die Reichsstadt Nürnberg und ihr Umgang mit einem knappen Gut / Helmut Demattio Natur- und Kulturlandschaft Frankenwald / Dietrich Förster Die mittelalterliche Wüstung Mensberg und ihre Lokalisierung anhand von Waldnutzungsrechten / Julian Gröber Der Grünwalder Forst / Dietrich Grund Bambi: Fiktion, Bedeutungen und Folgen / Hubertus Habel Der Luchs ist zurück im Frankenwald / Peter Hagemann, Alexander Kelle, Sybille Wölfl Ein „Hippokratischer Eid“ für Forstleute? Ein Diskussionsvorschlag / Joachim Hamberger, Robert Staufer, Jörn Erler, Ulrich Schraml, Katharina Bauckmeier, Christian Ammer Beitrag zur Geschichte der Jagd im Nationalpark Hohe Tauern, Kärnten, im ausgehenden Mittelalter und der Frühen Neuzeit / Elisabeth Johann Die Sprache des Waldes - eine neue Sicht durch das Kosmos Wald & Forst-Lexikon / Wilhelm Kaltenstadler Wilhelm Albrecht aus Rothenburg ob der Tauber begründet die landwirtschaftlichen Winterschulen und rettet den Westerwald / Bernhard Mall Ludwig Thoma: Der Förstersohn, seine Vorfahren und die spannende Frage, warum er kein Forstmann wurde/ Wolfgang Mantel Das Bayerische Forstamt Heigenbrücken von 1902 bis 2005 / Walter Mergner Zur Frühgeschichte des Biotopbaumschutzes in bayerischen Wäldern des 19. Jahrhunderts / Andreas Mölder Hundert Jahre forstliche Ausbildung in Aschaffenburg / Hubert Röbner Erlebte Geschichte(n) - Möglichkeiten für die Verknüpfung von Waldgeschichte und Waldpädagogik im Forstenrieder Park / Dirk Schmechel Schlaglichter auf die Geschichte des Nationalparks Bayerischer Wald aus jagdlicher Sicht sowie die Veränderung der Wertschätzung des Waldes in der Gesellschaft / Sigrid Schwenk Heinrich Mayr - ein Pionier des Fremdländeranbaus in Bayern / Hans-Ulrich Sinner, Philip Sinner Geschichte der Staatswaldungen im nördlichen Steigerwald / Hans Stark Eine Hirschbrunft in Ilmenau / Heinz Staudinger Der frühe Abschied des Schwarzwaldes vom Urwald / Helmut Volk 80 Jahre Schwerspatabbau bei Rothenkirchen / Gerhard Walther Vom sauren Regen zum Klimawandel - Dokumentation stillen Leidens / Alexandra Wauer Waldflurnamen im Chiemgau am Beispiel des ehemaligen Herrschaftswaldes Hohenaschau / Rupert Wörndl Wilderei in Bayern / Hubert Zierl, Martin Kropf Autorenverzeichnis

Note: Contents Abstract Zusammenfassung Abbreviation List of Figures List of Tables 1 Introduction 1.1 Structural Health Monitoring of Bridge Structures 1.2 Relevant Parameters for a Deformation Process 1.2.1 Static deformation parameters 1.2.2 Kinematic deformation parameters 1.3 Modal Identification Techniques 1.4 Related Works 1.5 Problem Statements 1.6 Research Topics 1.7 Outline of the Dissertation 2 Suitability Analysis of MEMS Accelerometers for Deformation Monitoring of Bridges 2.1 Introduction 2.2 Measurement Set-up and Data Acquisition 2.3 Suitability Analysis in Selecting Optimal MEMS Accelerometers 2.3.1 Controlled excitation experiment 2.3.2 Static test experiment 2.4 Calibration of MEMS Accelerometers 2.4.1 Development of test scenarios for MEMS accelerometers calibration 2.4.2 Calibration model of triaxial accelerometers 2.4.3 Adjustment of the calibration model with standard Gauss-Helmert model and variance component estimation 2.4.4 Adjustment of the calibration model with applied adaptive robust estimation 2.4.5 Experimental results of the MEMS accelerometer calibration 2.5 Sensor Specifications 2.6 Summary 3 Potential of Image-Assisted Total Stations for Bridge Monitoring 3.1 Introduction 3.2 Data Acquisition and Preprocessing 3.3 Automatic and Accurate Passive Target Centroid Detection 3.4 Conversion of Displacement Time Series from Pixel to Metric Units 3.5 External Calibration of Image-Assisted Total Stations and Digital Camera 3.6 Sensor Specifications and Measurement Systems 3.7 Summary 4 Robust Kinematic Deformation Monitoring of Bridge Structures 4.1 Introduction 4.2 Ambient Window Selection 4.3 Identification of Initial Modal Frequencies 4.4 Robust Modal Parameter Estimation based on Time Series Analysis 4.4.1 Estimation model 4.4.2 Robust adjustment procedure 4.5 Displacement Analysis based on Double Integration 4.6 Characterisation of Eigenforms 4.7 Summary 5 MEMS-based Bridge Monitoring Supported by Image-Assisted Total Stations 5.1 Introduction 5.2 Basics of Kalman Filtering for Displacement Analysis 5.3 Heterogeneous Data Fusion of Displacement and Acceleration Measurements 5.4 Summary 6 Experiments and Results 6.1 Example based on Simulated Acceleration Data 6.2 Example based on Shaker Vibration Calibrator 6.3 Example based on a Footbridge 6.4 Example based on a Synthetic Bridge 6.5 Summary 7 Summary, Conclusion and Outlook 7.1 Summary and Conclusion 7.2 Outlook A Appendix List of Publications Contributions of Authors Paper 1 Paper 2 Paper 3 Paper 4 Paper 5 Paper 6 Bibliography Curriculum Vitae Acknowledgement

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: Zugl.: Braunschweig, Techn. Univ., Diss., 2009 , Erscheinungsjahr in Vorlageform:2009

Note: Zugl.: Leipzig, Univ., Diss., 2009 , Erscheinungsjahr in Vorlageform:2009

Note: Zugl.: Clausthal, Techn. Univ., Diss., 2009

Note: Zugl.: Reykjavík, Univ., Diss., 2009

Note: Zugl.: Reykjavík, Univ., Diss., 2009