Bewertung von Strategien des aktiven Lernens am Beispiel der Landbedeckungsklassifikation

Aktives Lernen ist ein überwachtes Lernverfahren. Die Beschaffung der zum Training nötigen Ground Truth verursacht Kosten (manuelle Interaktion). Daher sollten möglichst wenige, aber aussagekräftige Trainingsbeispiele verwendet werden. Aktives Lernen versucht dies durch die Anwendung einer Selektionsstrategie. Ein Problem ist deren Auswahl, da diese stark vom verwendeten Klassifikator abhängt. Dieser Beitrag bewertet Selektionsstrategien für einen Maximum-Likelihood-Klassifikator. Zwei Szenarien werden betrachtet: 1) Alle Trainingsbeispiele stehen auf einmal zur Verfügung (passives Lernen) und 2) die Selektionsstrategie wählt die Trainingsbeispiele iterativ aus (aktives Lernen). Als Anwendungsbeispiel wird Landbedeckungsklassifikation in einem RGB-NIR Luftbild durchgeführt.     «

Aktives Lernen ist ein überwachtes Lernverfahren. Die Beschaffung der zum Training nötigen Ground Truth verursacht Kosten (manuelle Interaktion). Daher sollten möglichst wenige, aber aussagekräftige Trainingsbeispiele verwendet werden. Aktives Lernen versucht dies durch die Anwendung einer Selektionsstrategie. Ein Problem ist deren Auswahl, da diese stark vom verwendeten Klassifikator abhängt. Dieser Beitrag bewertet Selektionsstrategien für einen Maximum-Likelihood-Klassifikator. Zwei Szenarien...     »