Filter
  • Zeitbezug (2674)
    -
  • Frequenz (1512)
  • Kategorien
  • Datenanbieter
  • Art des Zugangs
  • Lizenzen

4379 Datensätze

Seeunfalluntersuchungsberichte 2020

Liste der von der Bundesstelle für Seeunfalluntersuchung (BSU) in 2020 veröffentlichten Untersuchungs- und Untersuchungszwischenberichte

Wasserstraßen und Gewässer
Bereitgestellt durch

Bundesstelle für Seeunfalluntersuchung (BSU)

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

15.01.2021

Zeitbezug der Daten

01.01.2020 — 31.12.2020

Aktualisierungsfrequenz

Unregelmäßig

Raumbezug

MRH Parkleitsystem Scharbeutz

Die Gemeinde Scharbeutz in der Lübecker Bucht verfügt für die Großparkplätze in Haffkrug und Scharbeutz über ein Parkleitsystem. Parkkapazitäten können mit dieser Hilfe alle 5 min übermittelt werden, sodass der aktuelle Auslastungsstand angezeigt wird und ein gezieltes Anfahren der noch freien Parkplätze ermöglicht wird.

Straßen
Bereitgestellt durch

Transparenzportal Hamburg: Gemeindeverwaltung Scharbeutz

Art des Datenzugangs

WFS / GML / XSD / HTML / WMS

Aktualität der Datensatzbeschreibung

14.01.2021

Aktualisierungsfrequenz

Fünfminütlich

Raumbezug

Road Damage: Berlin, 2020

1. Einführung
Die Hauptidee des Projekts ist es, mit einer Kombination aus künstlicher Intelligenz und Bilderkennung, Straßenschäden in Videos zu erkennen. Jede Rohvideodatei wird mit einer zugehörigen gleichnamigen Geolokalisierungsdatei bereitgestellt. Diese enthält Informationen zu Breiten- und Längengrad, sowie den Zeitstempel in Millisekunden ab Anfang des Videos. Insgesamt wurden 3350 Videos mit einer Gesamtreichweite von 1040 km im Bereich des Berliner S-Bahn-Rings analysiert. Die Ergebnisdatei enthält Breiten- und Längengrad (WGS84, EPSG:4326) der Straßenschäden in 4 Schadenskategorien: ‘Längsriss’, ‘Querriss’, ‘Krokodilriss’ und ‘Schlagloch’.

2. Datensätze
Um die KI-Netzwerke zu trainieren, wurde das “Road Damage Dataset 2020[1]” verwendet. Der Datensatz ist öffentlich zugänglich und kann unter folgendem Link eingesehen werden: Dataset

3. Methodik und Modelle
Für die Analyse von Videos wurde das Framework TensorFlow[2] verwendet. Ein Modell zur Objektdetektierung [3] wurde mittels Transfer Learning [4] auf die Erkennung von Straßenschäden trainiert. Die Ergebnisse wurden in einem Ergebnis-JSON-Ordner zusammengefasst. Mehrfacherkennungen wurden bereinigt und die endgültigen Orte der Straßenschäden ermittelt.

4. Quelle
[1 ] Road Damage Challenge 2020 Dataset. [Online]. Available at: https://rdd2020.sekilab.global last accessed on 3 December 2020 [2] Martín A., Paul B., Jianmin C., Zhifeng C., Andy D., Jeffrey D., .... Xiaoqiang Zheng. (2016). “TensorFlow: a system for large-scale machine learning”, in Proceedings of the 12th USENIX conference on Operating Systems Design and Implementation(OSDI'16). USENIX Association, USA, 265–283
[3] Girshick, R., Donahue, J., Darrell, T., Malik, J. (2014). “Rich feature hierarchies for accurate object detection and semantic segmentation”, 2014 IEEE Conference on Computer Vision and Pattern Recognition. doi:10.1109/cvpr.2014.81
[4] Tan, C., Sun, F., Kong, T., Zhang, W., Yang, C. and Liu, C. (2018) “A survey on deep transfer learning”, Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11141 LNCS, pp. 270–279. doi: 10.1007/978-3-030-01424-7_27

mFUND-Projekt: Mobile Mapping

Straßen
Bereitgestellt durch

AIPARK GmbH

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

14.01.2021

Zeitbezug der Daten

01.03.2020 — 01.10.2020

Aktualisierungsfrequenz

Niemals

Raumbezug

Traffic Signs: Berlin, 2020

1. Einführung
Die Hauptidee des Projekts ist die Gewinnung von Verkehrszeichenstandorten durch die Analyse von Videos mit einer Kombination aus künstlicher Intelligenz und Bilderkennungsmethoden. Zu jeder Videodatei gehört auch eine Geolokalisierungsdatei, die den gleichen Namen wie die Videodatei trägt und Breiten- und Längengrad sowie Zeitstempelattribute vom Anfang des Videos an enthält. Insgesamt werden 3350 Videos mit einer Gesamtreichweite von 1040 km im Bereich des Berliner S-Bahn-Rings verwendet. Die Ergebnisdatei enthält Längen- und Breitengrad (WGS84, EPSG:4326) der Verkehrszeichenstandorte und deren Typen in 43 Kategorien.

2. Datensätze
Um AI-Netzwerke zu trainieren, werden zwei öffentlich zugängliche Datensätze verwendet: für die Verkehrszeichenerkennung werden “German Traffic Sign Detection Benchmark Dataset[1]” und für die Verkehrszeichenklassifizierung “German Traffic Sign Recognition Benchmark Dataset[1]“. Weitere Informationen finden Sie hier: Detection Dataset, Classification Dataset

3. Methodik und Modelle
Für die Analyse von Videos wird das TensorFlow[2] Framework genutzt. Ein Objektdetektions[3]-Modell für die Verkehrszeichenerkennung wird mit der Transferlernmethode[4] trainiert. Um die Genauigkeit der Verkehrszeichenklassifizierung zu verbessern, wird ein benutzerdefiniertes Bildklassifizierungs[5]-Modell zur Kategorisierung von Verkehrszeichentypen trainiert. Die Ausgabe des Verkehrszeichenerkennungsmodells wird als Eingabe des Verkehrszeichen-Klassifikationsmodells verwendet.

4. Quelle
[1] Houben, S., Stallkamp, J., Salmen, J., Schlipsing, M. and Igel, C. (2013). “Detection of traffic signs in real-world images: the german traffic sign detection benchmark”, in Proceedings of the International Joint Conference on Neural Networks.10.1109/IJCNN.2013.6706807

[2] Martín A., Paul B., Jianmin C., Zhifeng C., Andy D., Jeffrey D., .... Xiaoqiang Zheng. (2016). “TensorFlow: a system for large-scale machine learning”, in Proceedings of the 12th USENIX conference on Operating Systems Design and Implementation(OSDI'16). USENIX Association, USA, 265–283

[3] Girshick, R., Donahue, J., Darrell, T., Malik, J. (2014). “Rich feature hierarchies for accurate object detection and semantic segmentation”, 2014 IEEE Conference on Computer Vision and Pattern Recognition. doi:10.1109/cvpr.2014.81

[4] Tan, C., Sun, F., Kong, T., Zhang, W., Yang, C. and Liu, C. (2018) “A survey on deep transfer learning”, Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11141 LNCS, pp. 270–279. doi: 10.1007/978-3-030-01424-7_27.

[5] Sultana, F., Sufian, A. and Dutta, P. (2018). “Advancements in image classification using convolutional neural network”, in Proceedings - 2018 4th IEEE International Conference on Research in Computational Intelligence and Communication Networks, ICRCICN 2018, pp. 122–129. doi: 10.1109/ICRCICN.2018.8718718.

mFUND-Projekt: Mobile Mapping

Straßen
Bereitgestellt durch

AIPARK GmbH

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

14.01.2021

Zeitbezug der Daten

01.03.2020 — 01.10.2020

Aktualisierungsfrequenz

Niemals

Raumbezug

Neuzulassungen von Personenkraftwagen (Pkw) nach Segmenten und Modellreihen im Jahr 2020 (FZ 11)

Durch die Mitteilungen der Zulassungsbehörden in Deutschland registriert das Kraftfahrt-Bundesamt (KBA) im Zentralen Fahrzeugregister (ZFZR) alle in Deutschland neu zugelassenen Fahrzeuge. Übermittelt werden neben den fahrzeugbezogenen Daten, wie zum Beispiel Marke, Modellreihe, Kraftstoffart, auch Angaben zum Halter und zur Zulassung, wie zum Beispiel der Tag der Zulassung. In diesem Produkt werden die monatlichen Neuzulassungen von Pkws nach Segment und Modellreihe ausgewiesen, sowie der Anteil der einzelnen Modellreihe am Segment und die Veränderung der Anzahl der zugelassenen Fahrzeuge einer Modellreihe zum Vorjahresmonat in Prozent. Neben diesen Angaben wird auch der Anteil der gewerblichen Zulassungen Pkws pro Modellreihe ausgewiesen. Mit dem Ziel einer übersichtlichen Darstellung werden im Bedarfsfall Abschneidegrenzen gebildet. Veränderungswerte zum Vorjahresmonat, die über 500 Prozent liegen, werden mit X ausgewiesen. Besondere Hinweise werden in einer Hinweisbox am Ende der Tabelle dargestellt. Berichtszeitpunkt ist jeder 1. eines Monats.

Straßen
Bereitgestellt durch

Kraftfahrt-Bundesamt (KBA)

Art des Datenzugangs

Dateidownload / Portal

Aktualität der Datensatzbeschreibung

14.01.2021

Zeitbezug der Daten

01.01.2020 — 31.12.2020

Aktualisierungsfrequenz

Monatlich

Raumbezug

Neuzulassungen von Personenkraftwagen nach Marken und Modellreihen im Jahr 2020 (FZ 10)

Durch die Mitteilungen der Zulassungsbehörden in Deutschland registriert das Kraftfahrt-Bundesamt (KBA) im Zentralen Fahrzeugregister (ZFZR) alle in Deutschland neu zugelassenen Fahrzeuge. Übermittelt werden neben den fahrzeugbezogenen Daten, wie zum Beispiel Marke, Modellreihe, Kraftstoffart, Fahrzeugaufbau, auch Angaben zum Halter und zum Zulassungsvorgang, wie zum Beispiel der Tag der Zulassung. Im FZ 10 werden die monatlichen Neuzulassungen von Personenkraftwagen (Pkw) nach Marke und Modellreihe sowie Kraftstoff, Cabrio und Allradantrieb ausgewiesen. Neben der Ausweisung der monatlichen Zulassungszahlen werden auch die bis zum Berichtszeitpunkt zugelassenen Pkws eines Jahres ausgewiesen, sowie der Anteil der einzelnen Modellreihen an der jeweiligen Marke und der Anteil der Marke an den Gesamtzulassungen. Mit dem Ziel einer übersichtlichen Darstellung werden im Bedarfsfall Abschneidegrenzen gebildet. Fahrzeuge mit zu geringen Anteilen erscheinen dann unter Sonstige.
Berichtszeitpunkt ist jeder 1. eines Monats.

Straßen
Bereitgestellt durch

Kraftfahrt-Bundesamt (KBA)

Art des Datenzugangs

Dateidownload / Portal

Aktualität der Datensatzbeschreibung

14.01.2021

Zeitbezug der Daten

01.01.2020 — 31.12.2020

Aktualisierungsfrequenz

Monatlich

Raumbezug

Straßenverzeichnis

Das Straßenverzeichnis ist eine Tabelle im Format CSV und beinhaltet Lageschlüssel (5-stellig), Lagenamen, Gemeindeschlüssel (8-stellig) und Gemeindenamen.

Straßen
Bereitgestellt durch

LGL Baden-Württemberg

Art des Datenzugangs

WWW

Aktualität der Datensatzbeschreibung

14.01.2021

Aktualisierungsfrequenz

Kontinuierlich

Raumbezug

Ladestationen für Elektrofahrzeuge

Dieser Datensatz umfasst die Standorte der Ladestationen für Elektrofahrzeuge in der Hanse- und Universitätsstadt Rostock mit Informationen zu Adresse, Bezeichnung, Betreiber, Verbund, Betriebsart, Anzahl an Ladepunkten, Arten der Ladepunkte, Ladekarten, Kosten, Öffnungszeiten und Website. Die Ressourcen werden in der Regel im folgenden Zeitabstand aktualisiert: 365 Tage

Straßen
Bereitgestellt durch

Hanse- und Universitätsstadt Rostock – Kataster-, Vermessungs- und Liegenschaftsamt

Art des Datenzugangs

XLSX / WFS / GML / CSV / KML / WMS / GEOJSON

Aktualität der Datensatzbeschreibung

14.01.2021

Raumbezug

Carsharing-Stationen

Dieser Datensatz umfasst die Standorte der Carsharing-Stationen in der Hanse- und Universitätsstadt Rostock mit Informationen zu Adresse, Bezeichnung, Anbieter, Anzahl der Fahrzeuge, Bemerkungen und Kontaktdaten. Die Ressourcen werden in der Regel im folgenden Zeitabstand aktualisiert: 365 Tage

Straßen
Bereitgestellt durch

Hanse- und Universitätsstadt Rostock – Kataster-, Vermessungs- und Liegenschaftsamt

Art des Datenzugangs

XLSX / WFS / CSV / GML / KML / WMS / GEOJSON

Aktualität der Datensatzbeschreibung

14.01.2021

Raumbezug

Großraum- und Schwertransportrouten

Dieser Datensatz umfasst die empfohlenen Großraum- und Schwertransportwege in der Hanse- und Universitätsstadt Rostock und Umgebung mit Informationen zu Straßennutzung, Baulastträger und Bewirtschafter sowie die Standorte der Ingenieurbauwerke im Eigentum der Hanse- und Universitätsstadt Rostock ohne Befahrungsmöglichkeit durch Großraum- und Schwertransporte (für Fahrzeuge oder Fahrzeugkombinationen mit Achslasten und|oder Gesamtmassen über den zulässigen Werten gemäß § 34 StVZO zur Überfahrt gesperrt) mit Informationen zu Bauwerksnummer, Art und Bezeichnung. Die Ressourcen werden in der Regel im folgenden Zeitabstand aktualisiert: 365 Tage

Straßen
Bereitgestellt durch

Hanse- und Universitätsstadt Rostock – Kataster-, Vermessungs- und Liegenschaftsamt

Art des Datenzugangs

XLSX / Shape / WFS / GML / CSV / KML / WMS / GEOJSON

Aktualität der Datensatzbeschreibung

14.01.2021

Raumbezug

1 - 10 von 4379 Datensätzen

Ergebnisse als CSV oder RDF/XML