User: Guest  Login
Original title:
Aktives Lernen mit Segmentierung und Clusterbildung zur bildbasierten Klassifikation der Landbedeckung 
Translated title:
Active learning with segmentation and clustering for image-based classification of the land cover 
Year:
2018 
Document type:
Dissertation 
Institution:
Ingenieurfakultät Bau Geo Umwelt 
Advisor:
Stilla, Uwe (Prof. Dr.) 
Referee:
Stilla, Uwe (Prof. Dr.); Heipke, Christian (Prof. Dr.) 
Language:
de 
Subject group:
BAU Bauingenieurwesen, Vermessungswesen; GEO Geowissenschaften 
Keywords:
Überwachtes maschinelles Lernen, Fernerkundung, Binärbaum, Iterative Fehlerminimierung, Trainingsaufwand reduzieren, Clusterannahme, Glattheitsannahme 
Translated keywords:
supervised maschine learning, remote sensing, binary tree, iterative error minimization, reducing training effort, cluster assumption, smoothness assumption 
TUM classification:
BAU 950d 
Abstract:
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%. 
Translated abstract:
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%. 
Oral examination:
07.12.2018 
File size:
24574469 bytes 
Pages:
116 
Last change:
22.01.2019