Benutzer: Gast  Login
Originaltitel:
Aktives Lernen mit Segmentierung und Clusterbildung zur bildbasierten Klassifikation der Landbedeckung 
Übersetzter Titel:
Active learning with segmentation and clustering for image-based classification of the land cover 
Jahr:
2018 
Dokumenttyp:
Dissertation 
Institution:
Ingenieurfakultät Bau Geo Umwelt 
Betreuer:
Stilla, Uwe (Prof. Dr.) 
Gutachter:
Stilla, Uwe (Prof. Dr.); Heipke, Christian (Prof. Dr.) 
Sprache:
de 
Fachgebiet:
BAU Bauingenieurwesen, Vermessungswesen; GEO Geowissenschaften 
Stichworte:
Überwachtes maschinelles Lernen, Fernerkundung, Binärbaum, Iterative Fehlerminimierung, Trainingsaufwand reduzieren, Clusterannahme, Glattheitsannahme 
Übersetzte Stichworte:
supervised maschine learning, remote sensing, binary tree, iterative error minimization, reducing training effort, cluster assumption, smoothness assumption 
TU-Systematik:
BAU 950d 
Kurzfassung:
Verfahren des überwachten maschinellen Lernens benötigen viele Trainingsbeispiele. Da deren Beschaffung in der Fernerkundung aufwendig ist, wird ein dreistufiges Verfahren zur Reduzierung der benötigten Anzahl vorgestellt. In dieser Arbeit minimiert ein aktiver Lernprozess den Klassifikationsfehler durch iteratives Stutzen der Binärbaumdarstellung einer Clusterhierarchie. Das Verfahren wurde mit acht Experimenten auf drei urbanen Datensätzen untersucht und reduziert den Trainingsaufwand um 95%. 
Übersetzte Kurzfassung:
Methods of supervised machine learning require many training examples. Since their procurement in remote sensing is costly, a three-step process for reducing the required number is presented. In this work, an active learning process minimizes the classification error by iteratively pruning the binary tree representation of a cluster hierarchy. The method was studied with eight experiments on three urban data sets and reduces the training effort by 95%. 
Mündliche Prüfung:
07.12.2018 
Dateigröße:
24574469 bytes 
Seiten:
116 
Letzte Änderung:
22.01.2019