PreTrainAppEO

Pre-Training Applicability in Earth Observation

Deep Learning Ansätze erzielen heutzutage eine sehr gute Leistung und Genauigkeit. Für den Fall, dass allerdings nur eine kleine Menge an Daten für den jeweiligen Anwendungsfall vorliegt, können die Modelle oft schlecht generalisieren. Dies hat zur Folge, dass der Trainingsaufwand und die zeitintensive Datensatzerfassung für jeden neuen Anwendungsfall wiederholt werden müssen, was zu hohen Kosten in der Anwendungsentwicklung führt. Leider existieren aktuell noch keine vortrainierten Modelle, wie ResNet oder VGG, für die Anwendung in der Fernerkundung oder Erdbeobachtung. Das Projekt PreTrainAppEO zielt darauf ab, den Einsatz von KI im Bereich der Erdbeobachtung und Fernerkundung attraktiver und effizienter zu machen, indem eine Methodik entwickelt wird, die den Ansatz von vortrainierten KI-Modellen nutzt, um eine bessere Generalisierung auf verschiedene Standardanwendungsfälle in dem jeweiligen Bereich zu erreichen. In diesem Sinne untersuchen und vergleichen wir die Leistungen verschiedener Meta-Learning-Ansätze mit denen des Transfer-Learnings. Meta-Learning basiert auf der Idee, eine Vielzahl von Daten aus anderen, verwandten Aufgaben zu verwenden, um dem Modell beizubringen, sich an unbekannte Szenarien anzupassen und dann eine neue Aufgabe effizienter aus einer kleinen Menge von Daten zu lernen. Das Projekt wird von der Deutschen Raumfahrtagentur im DLR im Auftrag des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK) gefördert.

Stellenangebote

The Chair of Remote Sensing Technology is looking for a student research assistant (f/m/d) for conducting research in the area of meta and transfer learning for crop type classification with immediate effect.

Requirements

  • excellently-qualified master’s students (or at least 5th semester bachelor) in computer science, electrical engineering, data science, statistics, mathematics, physics or comparable fields
  • practical experience in object-oriented programming (Python)
  • fluent in PyTorch
  • experience in machine learning
  • experience in handling geodata is beneficial but not necessary
  • good English and German language skills

Tasks

As part of our PreTrainAppEO project we are investigating various pre-training methods in order to achieve better generalisation in the field of remote sensing applications. In collaboration with a doctoral student and our project partner, you will conduct research as well as implement and apply various methods for pre-training machine learning models for crop type classification. You will be able to contribute to the development and benchmarking of transfer learning approaches in remote sensing.

Additional information

  • preferably 10h a week for the whole ST2023 (2023-04 until end of 2023-09)
  • payment according to TUM standard

Application

We look forward to receiving your application. Please submit the following documents

  • a short cover letter
  • Curriculum Vitae
  • study certificates
  • and a full transcript of records (both bachelor and current state of master)

by e-mail to Ms. Joana Reuss (joana.reuss@tum.de).

TUM strives to raise the proportion of women in its workforce and explicitly encourages applications from qualified women. Applications from disabled persons with essentially the same qualifications will be given preference.

Data Protection Information: When you apply for a position with the Technical University of Munich (TUM), you are submitting personal information. With regard to personal information, please take note of the Datenschutzhinweise gemäß Art. 13 Datenschutz- Grundverordnung (DSGVO) zur Erhebung und Verarbeitung von personenbezogenen Daten im Rahmen Ihrer Bewerbung. (data protection information on collecting and processing personal data contained in your application in accordance with Art. 13 of the General Data Protection Regulation (GDPR)). By submitting your application, you confirm that you have acknowledged the above data protection information of TUM.