Projekt Deep Learning für die ErdbeobachtungModulbeschreibung #41012 / Version 6
- 9 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v7)
| Modul / Version | #41012 / #6 |
|---|---|
| Gültigkeit | WiSe 2025/26 – SoSe 2026 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 9 |
| Modulverantwortliche*r | Demir, Begüm |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Technische Informatik und Mikroelektronik |
| Fachgebiet | 34342200 FG Remote Sensing Image Analysis (RSiM) |
Kontakt
| Sekretariat | FR 6-2 |
|---|---|
| Ansprechpartner*in | Lomashvili, Ana |
| E-Mail-Adresse | ana.lomashvili@tu-berlin.de |
| Webseite | https://rsim.berlin/ |
Lernergebnisse
Die Teilnehmenden dieses Projektkurses sammeln praktische Erfahrung in der Anwendung von Deep-Learning-Techniken zur Bearbeitung von Fragestellungen der Erdbeobachtung in einem kollaborativen Team und erwerben Kenntnisse zu aktuellen Themen im Bereich der Deep Learning für die Fernerkundung.
Lehrinhalte
Die neuesten Fortschritte in der Satellitentechnologie ermöglichen eine regelmäßige, häufige und hochauflösende Überwachung der Erde im globalen Maßstab, wodurch eine bisher unerreichte Menge an Erdbeobachtungsdaten (EO) verfügbar wird. Um diese umfangreichen EO-Daten effizient zu verarbeiten und zu analysieren, hat sich die Fernerkundung zu einem multidisziplinären Fachgebiet entwickelt, in dem maschinelles Lernen und Computer-Vision-Algorithmen eine zunehmend wichtige Rolle spielen.
Zu Beginn dieses Projektkurses erhalten die Studierenden Themenvorschläge sowie Informationsmaterial zum Thema Deep Learning für die Erdbeobachtung. Nachdem die Projektteams und -themen festgelegt sind, wird in Abstimmung mit der Lehrkraft eine geeignete Projektumgebung (einschließlich der passenden Werkzeuge für Teamarbeit) bestimmt. Daraufhin beginnen die Planung, Koordination und Entwicklung des Projekts. In den wöchentlichen Meetings stellt jedes Team seinen Fortschritt vor und bespricht gemeinsam mit der Lehrkraft die nächsten Schritte. Das Projekt endet mit einem Abschlussbericht sowie einer Präsentation der Ergebnisse. Die Themen sind an die aktuellen Forschungsaktivitäten des Lehrstuhls angelehnt und umfassen unter anderem: i) Repräsentationslernen für Bilder; ii) Klassifizierung und Abruf von Satellitenbildern; iii) Multimodales Lernen; iv) Entwicklung von Foundation-Modellen.
Zu Beginn dieses Projektkurses erhalten die Studierenden Themenvorschläge sowie Informationsmaterial zum Thema Deep Learning für die Erdbeobachtung. Nachdem die Projektteams und -themen festgelegt sind, wird in Abstimmung mit der Lehrkraft eine geeignete Projektumgebung (einschließlich der passenden Werkzeuge für Teamarbeit) bestimmt. Daraufhin beginnen die Planung, Koordination und Entwicklung des Projekts. In den wöchentlichen Meetings stellt jedes Team seinen Fortschritt vor und bespricht gemeinsam mit der Lehrkraft die nächsten Schritte. Das Projekt endet mit einem Abschlussbericht sowie einer Präsentation der Ergebnisse. Die Themen sind an die aktuellen Forschungsaktivitäten des Lehrstuhls angelehnt und umfassen unter anderem: i) Repräsentationslernen für Bilder; ii) Klassifizierung und Abruf von Satellitenbildern; iii) Multimodales Lernen; iv) Entwicklung von Foundation-Modellen.
Modulbestandteile
Compulsory area
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Computer Vision for Remote Sensing (CV4RS) | Projekt | Winter- und Sommersemester | [en] | 6 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (1)
Computer Vision for Remote Sensing (CV4RS) (Projekt) 1
Arbeitsaufwand und Leistungspunkte
Computer Vision for Remote Sensing (CV4RS) (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 6 h | 90 h |
| Vor-/Nachbereitung | 15 | 12 h | 180 h |
| 270 h | |||
Der Aufwand des Moduls summiert sich zu 270 Stunden. Damit umfasst das Modul 9 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Dieses Modul beinhaltet eine angeleitete und selbstorganisierte Projektarbeit. Die Studierenden erhalten einen kurzen Überblick über die Grundlagen sowie aktuelle Fortschritte im Bereich Deep Learning für die Erdbeobachtung. In wöchentlichen Treffen mit der Lehrkraft präsentieren die Studierenden ihre Fortschritte, und besprechen und planen gemeinsam mit der Lehrkraft die nächsten Schritte. Die Studierenden arbeiten in kleinen Teams an einem gewählten Thema und präsentieren erste Ergebnisse in einem Zwischenvortrag. Jedes Team setzt das Projekt um und stellt Erkenntnisse, Methoden und Ergebnisse in einem abschließenden Vortrag vor. Am Ende werden Projektberichte eingereicht.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Solide Python-Programmierkenntnisse und Expertise in gängigen Deep-Learning-Bibliotheken wie PyTorch oder TensorFlow sind wünschenswert.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Ergebnisprüfung) Zwischenpräsentation | 10 | mündlich | ca. 15 Minuten |
| (Ergebnisprüfung) Finale Präsentation | 20 | mündlich | ca. 20 Minuten |
| (Ergebnisprüfung) Wissenschaftlicher Bericht | 20 | schriftlich | 8-10 Seiten |
| (Ergebnisprüfung) Implementierung | 50 | praktisch | ca. 120 Stunden |
Prüfungsbeschreibung (Abschluss des Moduls)
Die Gesamtnote für das Modul setzt sich aus den Ergebnissen der Studienleistungen (‚Portfolio-Prüfung‘) zusammen. Folgende Leistungen fließen in die Endnote ein:
1. Zwischenpräsentation (10 Punkte): Die Studierenden präsentieren ihre ersten Erkenntnisse und Ergebnisse zu ihrem Thema.
2. Abschlusspräsentation (20 Punkte): Die Studierenden präsentieren ihre finalen Erkenntnisse/Ergebnisse.
3. Wissenschaftlicher Bericht (20 Punkte): Die Studierenden fassen ihre finalen Erkenntnisse, Methoden und Ergebnisse in einem schriftlichen wissenschaftlichen Bericht zusammen.
4. Implementierung (50 Punkte): Die Studierenden arbeiten im Team an einem ausgewählten Thema und implementieren einen Prototyp.
1. Zwischenpräsentation (10 Punkte): Die Studierenden präsentieren ihre ersten Erkenntnisse und Ergebnisse zu ihrem Thema.
2. Abschlusspräsentation (20 Punkte): Die Studierenden präsentieren ihre finalen Erkenntnisse/Ergebnisse.
3. Wissenschaftlicher Bericht (20 Punkte): Die Studierenden fassen ihre finalen Erkenntnisse, Methoden und Ergebnisse in einem schriftlichen wissenschaftlichen Bericht zusammen.
4. Implementierung (50 Punkte): Die Studierenden arbeiten im Team an einem ausgewählten Thema und implementieren einen Prototyp.
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 9.
Anmeldeformalitäten
Die Zahl der Teilnehmer an der Vorlesung ist begrenzt. Bitte schauen Sie vor Beginn der Vorlesungszeit unter https://rsim.berlin/courses nach, wie Sie sich anmelden können.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- Mahmoud Hassaballah and Ali Ismail Awad. "Deep Learning in Computer Vision Principles and Applications". CRC Press, 2020. IBSN: 978-1-138-54442-0
- Ian Goodfellow, Yoshua Bengio, and Aaron Courville. "Deep Learning". MIT Press, 2016. ISBN: 978-0-262-03561-3
- Mohamed Elgendy. "Deep Learning for Vision Systems". Manning Publications, 2020. ISBN: 978-1-61729-619-2
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | WiSe 2025/26 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems |
| SoSe 2026 | Wahlpflicht Studiengebiet B › Medientechnik und Mensch-Maschine-Interaktion / Digital Media und Human-Computer Interaction | |
| Computer Science (Informatik) StuPO 2015 | WiSe 2025/26 | Studiengebiete › Kognitive Systeme / Cognitive Systems |
| SoSe 2026 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| Elektrotechnik StuPO 2015 | WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
| SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
Sonstiges
Keine Angabe