Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Projekt Deep Learning für die Erdbeobachtung (DL4EO)Modulbeschreibung #41012 / Version 7

← Zur Modulseite English version
Modul / Version#41012 / #7
GültigkeitSeit WiSe 2026/27
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte9
Modulverantwortliche*rDemir, Begüm
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Technische Informatik und Mikroelektronik
Fachgebiet34342200 FG Remote Sensing Image Analysis (RSiM)

Kontakt

SekretariatFR 6-2
Ansprechpartner*inLomashvili, Ana
E-Mail-Adresseana.lomashvili@tu-berlin.de
Webseitehttps://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.

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Project Deep Learning for Earth Observation (DL4EO)Projekt Winter- und Sommersemester[en]6 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (1)

Project Deep Learning for Earth Observation (DL4EO) (Projekt) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Project Deep Learning for Earth Observation (DL4EO) (Projekt)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit156 h90 h
Vor-/Nachbereitung1512 h180 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

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
(Ergebnisprüfung) Zwischenpräsentation10mündlichca. 6-7 Minuten pro Studierenden
(Ergebnisprüfung) Abschlusspräsentation20mündlichca. 7-8 Minuten pro Studierenden
(Ergebnisprüfung) Wissenschaftlicher Bericht20schriftlichca. 3-4 Seiten pro Studierenden
(Ergebnisprüfung) Implementation50praktischca. 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.

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 12.

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 / StuPOSemesterStudiengangsbereich
Computer Engineering
StuPO 2015
WiSe 2026/27Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems
Computer Science (Informatik)
StuPO 2015
WiSe 2026/27Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems
Elektrotechnik
StuPO 2015
WiSe 2026/27Wahlpflichtbereich › Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
Wirtschaftsingenieurwesen
StuPO 2026
WiSe 2026/27Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Cognitive Systems

Sonstiges

Keine Angabe