mycoreobjectrosdok_disshab_0000002414rosdok_disshab_0000002414rosdokdisshabrosdok_derivate_00000965222023-08-08T10:12:13.239Z2021-01-04T14:11:39.203ZadministratoreditorDpublished1rosdok_derivate_0000096522truetruederivate_types:fulltextVolltextfulltextwf_edit_epub wf_register_epubstate:publishedstate:publishedveröffentlichtpublishedrosdok/id000028761743811403Oau2021-01-042023-08-05T19:16:08ZrdaConverted from PICA to MODS using Pica2Mods XSLT Transformer 2.7 [SCM: "0c0e7a3c226a4a0cbcbec39b493c3c5257339ab8" "v2.7" "2023-08-04T00:00:00+0200"] with mode 'DEFAULT'.DissertationHochschulschriftDeep learning-based vessel detection from very high and medium resolution optical satellite images as component of maritime surveillance systemsThis thesis presents an end-to-end multiclass vessel detection method from optical satellite images. The proposed workflow covers the complete processing chain and involves rapid image enhancement techniques, the fusion with automatic identification system (AIS) data, and the detection algorithm based on convolutional neural networks (CNN). The algorithms presented are implemented in the form of independent software processors and integrated in an automated processing chain as part of the Earth Observation Maritime Surveillance System (EO-MARISS).In der vorliegenden Arbeit wird eine Methode zur Detektion von Schiffen unterschiedlicher Klassen in optischen Satellitenbildern vorgestellt. Diese gliedert sich in drei aufeinanderfolgende Funktionen: i) die Bildbearbeitung zur Verbesserung der Bildeigenschaften, ii) die Datenfusion mit den Daten des Automatischen Identifikation Systems (AIS) und iii) dem auf „Convolutional Neural Network“ (CNN) basierenden Detektionsalgorithmus. Die vorgestellten Algorithmen wurden in Form eigenständiger Softwareprozessoren implementiert und als Teil des maritimen Erdbeobachtungssystems integriert.SergeyVoinov1989 -VerfasserInaut122442994X0000-0003-1511-9728RalfBill1955 -AkademischeR BetreuerIndgs132789094FrankHeymann1982 -AkademischeR BetreuerIndgs142480657PeterReinartzAkademischeR BetreuerIndgs38329-6Universität Rostock1419 -Grad-verleihende Institutiondgg10025954-6Universität RostockAgrar- und Umweltwissenschaftliche Fakultät1998 -Grad-verleihende Institutiondgghttp://purl.uni-rostock.de/rosdok/id00002876urn:nbn:de:gbv:28-rosdok_id00002876-810.18453/rosdok_id00002876004 Informatik550 GeowissenschaftenAgrar- und Umweltwissenschaftliche FakultätCC BY-SA 4.0Nutzungsrechte erteiltLizenz Metadaten: CC0frei zugänglich (Open Access)en2020Universität RostockRostockmonographic202020202021Universitätsbibliothek RostockRostock2021Universitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00002876Ralf Bill (Universität Rostock, Agrar- und Umweltwissenschaftliche Fakultät, Geodäsie und Geoinformatik) ; Frank Heymann (Deutsches Zentrum für Luft- und Raumfahrt (DLR), Institut für Solar-Terrestrische Physik) ; Peter Reinartz (Deutsches Zentrum für Luft- und Raumfahrt (DLR), Institut für Methodik der Fernerkundung, Photogrammetrie und Bildanalyse)vorgelegt von Sergey VoinovZI 9600Optische FernerkundungSchiffConvolutional Neural NetworkAutomatic Identification SystemDatenfusiondoctype:epubdoctype:epubDokumenttypDocument typedoctype:epub.dissertationdoctype:epub.dissertationDissertationdoctoral thesisdiniPublType:doctoralThesis diniPublType2022:PhDThesis XMetaDissPlusThesisLevel:thesis.doctoralinfo:eu-repo/semantics/doctoralThesisdocumentnatureOfContent:ppn_105825778natureOfContent:ppn_105825778HochschulschriftdiniPublType2022:DoctoralThesisdiniPublType2022:DoctoralThesisDissertation oder HabilitationDoctoral thesisDRIVERdiniPublType2022:PhDThesisdiniPublType2022:PhDThesisDissertationPhD thesisKDSF (Pu34)XMetaDissPlusThesisLevel:thesis.doctoralXMetaDissPlusThesisLevel:thesis.doctoralDoktorarbeitdoctoral thesisSDNB:004SDNB:004004 Informatik004 Data processing Computer sciencesSDNB:550SDNB:550550 Geowissenschaften550 Earth sciencesinstitution:unirostockinstitution:unirostockUniversität RostockUniversity of RostockUniversität RostockUniversität RostockUni.Rostockhttp://d-nb.info/gnd/38329-6institution:unirostock.aufinstitution:unirostock.aufFakultät für Agrar, Bau und UmweltFaculty for Agriculture, Civil and Environmental EngineeringUniversität Rostock. Fakultät für Agrar, Bau und UmweltFakultät für Agrar,<br />Bau und UmweltUni.Rostock.Fakultaet.AUFhttp://d-nb.info/gnd/10025954-6licenseinfo:worklicenseinfo:workWerkworklicenseinfo:work.cclicenselicenseinfo:work.cclicenseCC-LizenzCC-licenselicenseinfo:work.cclicense.cc-by-salicenseinfo:work.cclicense.cc-by-saCC BY-SACC BY-SAlicenseinfo:work.cclicense.cc-by-sa.v40licenseinfo:work.cclicense.cc-by-sa.v40CC BY-SA 4.0CC BY-SA 4.0/creativecommons/l/by-sa/4.0/88x31.png[DE-28]Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International$cCC BY-SA 4.0$gCreative Commons$uhttps://creativecommons.org/licenses/by-sa/4.0/https://creativecommons.org/licenses/by-sa/4.0/https://creativecommons.org/licenses/by-sa/4.0/licenseinfo:depositlicenseinfo:depositVeröffentlichungsgenehmigungpermission to storelicenseinfo:deposit.rightsgrantedlicenseinfo:deposit.rightsgrantedNutzungsrechte erteiltrights grantedlicenseinfo:metadatalicenseinfo:metadataLizenzen für Metadatenlicenseinfo:metadata.cc0licenseinfo:metadata.cc0Lizenz Metadaten: CC0license metadata: CC0/creativecommons/p/zero/1.0/88x31.pnghttps://creativecommons.org/publicdomain/zero/1.0/accesscondition:openaccessaccesscondition:openaccessfrei zugänglich (Open Access)open accesshttp://purl.org/coar/access_right/c_abf2OAfreeinfo:eu-repo/semantics/openAccess[DE-28]Open Access$gControlled Vocabulary for Access Rights$uhttp://purl.org/coar/access_right/c_abf2rfc5646:enrfc5646:enEnglischEnglishengengDeep learning-based vessel detection from very high and medium resolution optical satellite images as component of maritime surveillance systemsDeep learning-based vessel detection from very high and medium resolution optical satellite images as component of maritime surveillance systemsgnd:122442994Xorcid:0000-0003-1511-9728gnd:132789094gnd:142480657gnd:38329-6gnd:10025954-6gnd:122442994Xorcid:0000-0003-1511-9728gnd:132789094gnd:142480657gnd:38329-6gnd:10025954-6rosdok_disshab_0000002414-d577001e54gnd:122442994Xorcid:0000-0003-1511-9728Sergey VoinovSergey Voinovrosdok_disshab_0000002414-d577001e70gnd:132789094Ralf BillRalf Billrosdok_disshab_0000002414-d577001e84gnd:142480657Frank HeymannFrank Heymannrosdok_disshab_0000002414-d577001e99Peter ReinartzPeter Reinartzrosdok_disshab_0000002414-d577001e109gnd:38329-6Universität RostockUniversität Rostockrosdok_disshab_0000002414-d577001e120gnd:10025954-6Universität Rostock Agrar- und Umweltwissenschaftliche FakultätUniversität Rostock Agrar- und Umweltwissenschaftliche FakultätSergey VoinovRalf BillFrank HeymannPeter ReinartzUniversität RostockUniversität Rostock Agrar- und Umweltwissenschaftliche FakultätSergey VoinovRalf BillFrank HeymannPeter ReinartzUniversität RostockUniversität Rostock Agrar- und Umweltwissenschaftliche FakultätSergey VoinovRostockUniversität Rostockepub.dissertationhttp://purl.uni-rostock.de/rosdok/id00002876urn:nbn:de:gbv:28-rosdok_id00002876-810.18453/rosdok_id00002876ZI 9600Optische FernerkundungSchiffConvolutional Neural NetworkAutomatic Identification SystemDatenfusionThis thesis presents an end-to-end multiclass vessel detection method from optical satellite images. The proposed workflow covers the complete processing chain and involves rapid image enhancement techniques, the fusion with automatic identification system (AIS) data, and the detection algorithm based on convolutional neural networks (CNN). The algorithms presented are implemented in the form of independent software processors and integrated in an automated processing chain as part of the Earth Observation Maritime Surveillance System (EO-MARISS).In der vorliegenden Arbeit wird eine Methode zur Detektion von Schiffen unterschiedlicher Klassen in optischen Satellitenbildern vorgestellt. Diese gliedert sich in drei aufeinanderfolgende Funktionen: i) die Bildbearbeitung zur Verbesserung der Bildeigenschaften, ii) die Datenfusion mit den Daten des Automatischen Identifikation Systems (AIS) und iii) dem auf „Convolutional Neural Network“ (CNN) basierenden Detektionsalgorithmus. Die vorgestellten Algorithmen wurden in Form eigenständiger Softwareprozessoren implementiert und als Teil des maritimen Erdbeobachtungssystems integriert.20202020Ralf Bill (Universität Rostock, Agrar- und Umweltwissenschaftliche Fakultät, Geodäsie und Geoinformatik) ; Frank Heymann (Deutsches Zentrum für Luft- und Raumfahrt (DLR), Institut für Solar-Terrestrische Physik) ; Peter Reinartz (Deutsches Zentrum für Luft- und Raumfahrt (DLR), Institut für Methodik der Fernerkundung, Photogrammetrie und Bildanalyse)vorgelegt von Sergey Voinovepub.dissertation1 Voinov_Dissertation_2021.pdf 4524706 b9dffa15f21bf390a122a0e7ec5b051d rosdok/id000028761743811403Oau2021-01-042023-08-05T19:16:08ZrdaConverted from PICA to MODS using Pica2Mods XSLT Transformer 2.7 [SCM: "0c0e7a3c226a4a0cbcbec39b493c3c5257339ab8" "v2.7" "2023-08-04T00:00:00+0200"] with mode 'DEFAULT'.DissertationHochschulschriftDeep learning-based vessel detection from very high and medium resolution optical satellite images as component of maritime surveillance systemsThis thesis presents an end-to-end multiclass vessel detection method from optical satellite images. The proposed workflow covers the complete processing chain and involves rapid image enhancement techniques, the fusion with automatic identification system (AIS) data, and the detection algorithm based on convolutional neural networks (CNN). The algorithms presented are implemented in the form of independent software processors and integrated in an automated processing chain as part of the Earth Observation Maritime Surveillance System (EO-MARISS).In der vorliegenden Arbeit wird eine Methode zur Detektion von Schiffen unterschiedlicher Klassen in optischen Satellitenbildern vorgestellt. Diese gliedert sich in drei aufeinanderfolgende Funktionen: i) die Bildbearbeitung zur Verbesserung der Bildeigenschaften, ii) die Datenfusion mit den Daten des Automatischen Identifikation Systems (AIS) und iii) dem auf „Convolutional Neural Network“ (CNN) basierenden Detektionsalgorithmus. Die vorgestellten Algorithmen wurden in Form eigenständiger Softwareprozessoren implementiert und als Teil des maritimen Erdbeobachtungssystems integriert.SergeyVoinov1989 -VerfasserInaut122442994X0000-0003-1511-9728RalfBill1955 -AkademischeR BetreuerIndgs132789094FrankHeymann1982 -AkademischeR BetreuerIndgs142480657PeterReinartzAkademischeR BetreuerIndgs38329-6Universität Rostock1419 -Grad-verleihende Institutiondgg10025954-6Universität RostockAgrar- und Umweltwissenschaftliche Fakultät1998 -Grad-verleihende Institutiondgghttp://purl.uni-rostock.de/rosdok/id00002876urn:nbn:de:gbv:28-rosdok_id00002876-810.18453/rosdok_id00002876004 Informatik550 GeowissenschaftenAgrar- und Umweltwissenschaftliche FakultätCC BY-SA 4.0Nutzungsrechte erteiltLizenz Metadaten: CC0frei zugänglich (Open Access)en2020Universität RostockRostockmonographic202020202021Universitätsbibliothek RostockRostock2021Universitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00002876Ralf Bill (Universität Rostock, Agrar- und Umweltwissenschaftliche Fakultät, Geodäsie und Geoinformatik) ; Frank Heymann (Deutsches Zentrum für Luft- und Raumfahrt (DLR), Institut für Solar-Terrestrische Physik) ; Peter Reinartz (Deutsches Zentrum für Luft- und Raumfahrt (DLR), Institut für Methodik der Fernerkundung, Photogrammetrie und Bildanalyse)vorgelegt von Sergey VoinovZI 9600Optische FernerkundungSchiffConvolutional Neural NetworkAutomatic Identification SystemDatenfusion 2021-01-04T14:11:39.203Z 2023-08-08T10:12:13.239Z 2023-08-18T10:12:13.244Z {"identifier":"rosdok/id00002876","type":"local_id","additional":"","service":"MCRLocalID","created":"2021-01-04T14:11:39.260Z"} editorD {"identifier":"http://purl.uni-rostock.de/rosdok/id00002876","type":"purl","additional":"","service":"RosDokPURL","created":"2021-01-04T14:20:27.469Z","registered":"2021-01-04T14:20:27.469Z"} {"identifier":"10.18453/rosdok_id00002876","type":"doi","additional":"","service":"RosDokDOI","created":"2021-01-04T17:55:45.352Z","registered":"2021-01-04T17:55:45.352Z"} {"identifier":"urn:nbn:de:gbv:28-rosdok_id00002876-8","type":"dnbUrn","additional":"","service":"RosDokURN","created":"2021-01-04T14:11:39.291Z","registered":"2021-01-05T03:16:40.673Z"} administratorfulltextfile/rosdok_disshab_0000002414/rosdok_derivate_0000096522/Voinov_Dissertation_2021.pdfDeep learning-based vessel detection from very high and medium resolution optical satellite images as component of maritime surveillance systemsDeep learning-based vessel detection from very high and medium resolution optical satellite images as component of maritime surveillance systemsgnd:122442994Xorcid:0000-0003-1511-9728gnd:132789094gnd:142480657gnd:38329-6gnd:10025954-6gnd:122442994Xorcid:0000-0003-1511-9728gnd:132789094gnd:142480657gnd:38329-6gnd:10025954-6rosdok_disshab_0000002414-d577001e54gnd:122442994Xorcid:0000-0003-1511-9728Sergey VoinovSergey Voinovrosdok_disshab_0000002414-d577001e70gnd:132789094Ralf BillRalf Billrosdok_disshab_0000002414-d577001e84gnd:142480657Frank HeymannFrank Heymannrosdok_disshab_0000002414-d577001e99Peter ReinartzPeter Reinartzrosdok_disshab_0000002414-d577001e109gnd:38329-6Universität RostockUniversität Rostockrosdok_disshab_0000002414-d577001e120gnd:10025954-6Universität Rostock Agrar- und Umweltwissenschaftliche FakultätUniversität Rostock Agrar- und Umweltwissenschaftliche FakultätSergey VoinovRalf BillFrank HeymannPeter ReinartzUniversität RostockUniversität Rostock Agrar- und Umweltwissenschaftliche FakultätSergey VoinovRalf BillFrank HeymannPeter ReinartzUniversität RostockUniversität Rostock Agrar- und Umweltwissenschaftliche FakultätSergey VoinovRostockUniversität Rostockepub.dissertationhttp://purl.uni-rostock.de/rosdok/id00002876urn:nbn:de:gbv:28-rosdok_id00002876-810.18453/rosdok_id00002876ZI 9600Optische FernerkundungSchiffConvolutional Neural NetworkAutomatic Identification SystemDatenfusionThis thesis presents an end-to-end multiclass vessel detection method from optical satellite images. The proposed workflow covers the complete processing chain and involves rapid image enhancement techniques, the fusion with automatic identification system (AIS) data, and the detection algorithm based on convolutional neural networks (CNN). The algorithms presented are implemented in the form of independent software processors and integrated in an automated processing chain as part of the Earth Observation Maritime Surveillance System (EO-MARISS).In der vorliegenden Arbeit wird eine Methode zur Detektion von Schiffen unterschiedlicher Klassen in optischen Satellitenbildern vorgestellt. Diese gliedert sich in drei aufeinanderfolgende Funktionen: i) die Bildbearbeitung zur Verbesserung der Bildeigenschaften, ii) die Datenfusion mit den Daten des Automatischen Identifikation Systems (AIS) und iii) dem auf „Convolutional Neural Network“ (CNN) basierenden Detektionsalgorithmus. Die vorgestellten Algorithmen wurden in Form eigenständiger Softwareprozessoren implementiert und als Teil des maritimen Erdbeobachtungssystems integriert.20202020Ralf Bill (Universität Rostock, Agrar- und Umweltwissenschaftliche Fakultät, Geodäsie und Geoinformatik) ; Frank Heymann (Deutsches Zentrum für Luft- und Raumfahrt (DLR), Institut für Solar-Terrestrische Physik) ; Peter Reinartz (Deutsches Zentrum für Luft- und Raumfahrt (DLR), Institut für Methodik der Fernerkundung, Photogrammetrie und Bildanalyse)vorgelegt von Sergey Voinov[xslt]Saxonrosdok/id00002876https://purl.uni-rostock.de/rosdok/id00002876174381140310.18453/rosdok_id00002876urn:nbn:de:gbv:28-rosdok_id00002876-8Sergey VoinovVoinov SergeyDeep learning-based vessel detection from very high and medium resolution optical satellite images as component of maritime surveillance systemsDissertationdoctoral thesisUniversität Rostock, 2020This thesis presents an end-to-end multiclass vessel detection method from optical satellite images. The proposed workflow covers the complete processing chain and involves rapid image enhancement techniques, the fusion with automatic identification system (AIS) data, and the detection algorithm…Sergey VoinovDeep learning-based vessel detection from very high and medium resolution optical satellite images as component of maritime surveillance systemsUniversitätsbibliothek Rostockhttp://purl.uni-rostock.de/rosdok/id00002876SergeyVoinov1989 -VerfasserInaut122442994X0000-0003-1511-9728RalfBill1955 -AkademischeR BetreuerIndgs132789094FrankHeymann1982 -AkademischeR BetreuerIndgs142480657PeterReinartzAkademischeR BetreuerIndgs38329-6Universität Rostock1419 -Grad-verleihende Institutiondgg10025954-6Universität RostockAgrar- und Umweltwissenschaftliche Fakultät1998 -Grad-verleihende Institutiondgg[purl]http://purl.uni-rostock.de/rosdok/id00002876[urn]urn:nbn:de:gbv:28-rosdok_id00002876-8[doi]10.18453/rosdok_id00002876open_access20202020epoch:21th_centuryrfc5646:endoctype:epub.dissertationaccesscondition:openaccessSDNB:004SDNB:550institution:unirostock.aufstate:published