Deep learning in de bebouwde omgeving om gedetailleerd landgebruik grootschalig in kaart te brengen

In België wordt nauwelijks aan gedetailleerde, grootschalige monitoring van het landgebruik gedaan. Satellietbeelden en luchtfoto’s zijn beschikbaar net zoals puntenwolken van LiDAR, maar deze data worden volledig manueel verwerkt of geïnterpreteerd door een fully-supervised machine learning netwerk. Het manueel annoteren van trainingsdata voor machine learning netwerken is een veelgebruikte methode, maar is arbeidsintensief en duur. Dit doctoraatsonderzoek zal inzetten op nieuwe weakly and semi-supervised machine learning methodes die maar enkele geannoteerde beelden vereisen. Bovendien kunnen andere databronnen, zoals het GRB of kaarten, gebruikt worden als trainingsdata. De toepassing van meerdere informatiebronnen en integratie van moderne technieken zal het gebruik van machine learning methodes vergemakkelijken. Het nut van deze studie zal zich bewijzen in het gedetailleerd karteren van landgebruik en het detecteren van verandering in de bebouwde omgeving. Bovendien kunnen deze methodes ook worden toegepast op terrestrische beelden van bouwwerven voor werfopvolging.