Automatische Dacherkennung durch Bildsegmentierung
Dieses Projekt identifiziert automatisch, Pixel für Pixel, Dachflächen in Luftbildern — eine semantische Segmentierungs- aufgabe, die präziser ist als eine einfache Erkennung "hier befindet sich ein Gebäude".
Methode: DeepLabV3+-Modell mit vortrainiertem ResNet34-Encoder (Transfer Learning), trainiert mit einer kombinierten Verlustfunktion aus Cross-Entropy und Dice Loss.
Daten: 1671 Paare aus Luftbild und Dachmaske, aufgeteilt in Trainings-, Validierungs- und Testdaten, mit systematischer Überprüfung der Übereinstimmung zwischen jedem Bild und seiner Maske vor dem Training.
Das Modell wurde anhand seines besten Validierungsergebnisses ausgewählt und anschliessend einmalig auf einem Testdatensatz evaluiert, der während des gesamten Trainings unberührt blieb — eine Disziplin, die eine Überschätzung der tatsächlichen Modellleistung vermeidet.
Dieses Projekt bleibt ein Portfolio-Projekt, kein produktives geodätisches Kartierungssystem: Die Datenaufteilung erfolgt zufällig statt geografisch, und der Validierungs-/Testdatensatz ist begrenzt. Diese Grenzen werden bewusst dokumentiert statt verschwiegen.