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%.
Login
BibTeX