- XAI for Early Crop Classification. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2023 mehr…
Ayshah Xuan Chan, M.Sc.
Biographie
Ayshah Chan wurde 1997 in Singapur geboren. Nach dem Abschluss ihres Bachelorstudiums der Geowissenschaften an der Nanyang Technological University in Singapur wechselte sie an die Technische Universität München, um ihr Studium fortzusetzen. Im März 2023 schloss sie ihr Studium mit dem M.Sc. Earth Oriented Science and Technology ab. Seit April 2023 arbeitet sie als wissenschaftliche Mitarbeiterin und Doktorandin am Lehrstuhl für Methodik der Fernerkundung der TUM.
Forschung
Forschungsthemen/Schwerpunkte
- Maschinelles Lernen, Deep Learning
- Verarbeitung natürlicher Sprache
- Erklärbarkeit und Interpretierbarkeit beim Deep Learning
Projekte
EuroCrops (BMWI/DLR)
EuroCrops ist ein Datensatz zur automatischen Vegetationsklassifikation aus multispektralen und multitemporalen Satellitendaten, annotiert mit offiziellen LIPS-Meldedaten aus Ländern der Europäischen Union, kuratiert von der Technischen Universität München und der GAF AG. Das Projekt wird von der Deutschen Raumfahrtagentur im DLR im Auftrag des BMWI (Bundesministerium für Wirtschaft und Energie) gefördert. Dieser Datensatz ist für Forschungszwecke öffentlich zugänglich, mit der Idee, bei der Subventionskontrolle von landwirtschaftlichen Selbstdeklarationen zu helfen.
Knowledge Distillation from Big Administrative Data (KnowDisBAD)
Die erstaunliche Leistung von Deep-Learning-Modellen hat die Nachfrage nach mehr Trainingsdaten geweckt, um bessere Modelle zu trainieren. Eine oft übersehene Datenquelle stammt aus dem öffentlichen Dienst, wo große Mengen an Verwaltungsdaten gesammelt wurden. Diese Verwaltungsdaten bieten eine große Vielfalt an Wissen, wie z. B. landwirtschaftliche Daten und Parkstatistiken, die in Labels für die Vegetationsklassifizierung und Trainingsdaten für die Verkehrsprognose umgewandelt werden können. Eine große Herausforderung bei der Ausschöpfung des vollen Potenzials von Verwaltungsdaten ist jedoch ihr uneinheitliches Format, das eine Anpassung und Harmonisierung der Daten erfordert. Zu diesem Zweck schlagen wir die Verwendung großer Sprachmodelle vor, um Informationen aus verschiedenen Verwaltungseinrichtungen zu extrahieren und gebrauchsfertige Daten zu erstellen.