Veranstaltungsprogramm

Eine Übersicht aller Sessions/Sitzungen dieser Veranstaltung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.

 
 
Sitzungsübersicht
Sitzung
Karl Kraus-Nachwuchsförderpreis
Zeit:
Mittwoch, 04.06.2025:
9:30 - 10:00

Chair der Sitzung: Heidi Hastedt
Ort: Aula

FHNW Campus Muttenz - EG.W.01

Kurzvorträge der Kandidaten für den Karl Kraus-Nachwuchsförderpreis

Zeige Hilfe zu 'Vergrößern oder verkleinern Sie den Text der Zusammenfassung' an
Präsentationen

Reconstructing Pre-GRACE Terrestrial Water Storage Anomalies Using Deep Learning

L. Q. Gentner1,2

1Institute of Geodesy and Photogrammetry, ETH Zurich, Zurich, Switzerland; 2Institute of Geodesy, University of Stuttgart, Stuttgart, Germany



Simultane Segmentierung und monokulare Tiefenschätzung mit Deep Learning

T. Kapler

Karlsruhe Institute of Technology (KIT), Germany



Industry-Relevant Benchmark Dataset for the Evaluation of 3D Reconstruction Methods and Evaluation of Different NeRF Methods

R. Langendörfer

KIT, Deutschland



Impact of protected areas on forest structure complexity

M. K. Enarson

ETHZ, Schweiz



Einsatz von Virtual Laserscanning und Data Augmentation zur Verbesserung der semantischen Segmentierung von Punktwolken natürlicher Umgebungen mittels Deep Learning

F. R. Matzke

TU Dresden, Deutschland



Die datenbasierte Korrektur refraktionsbedingter Messabweichungen in vierdimensionalen Punktwolken

F. Schulte1,2

1Hochschule Bochum - Fachbereich Geodäsie, Deutschland; 2Universität Innsbruck - AB Geometrie und Vermessung, Österreich



3D Occupancy Prediction from Multi-View 2D Surround Images

S. Abualhanud

Institut für Photogrammetrie und GeoInformation, Leibniz Universität Hannover, Deutschland



Automatisierte Detektion geomorphologischer Veränderungen in photogrammetrischen 4D-Punktwolken: Evaluierung und Optimierung des 4D objects-by-change-Algorithmus für das Monitoring von Uferbänken

M. Ulm

Technische Universität München, Deutschland



Daily spread prediction of European wildfires based on historical burned area time series from Earth observation data using a spatio-temporal graph neural network

M. Rösch1,2

1Deutsches Zentrum für Luft- und Raumfahrt (DLR); 2Julius-Maximilians-Universität Würzburg



Deep Learning based Feature Importance Analysis for Remote Sensing

J. Schnell

Technische Universität Darmstadt, Deutschland