elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Cost-Sensitive Active Learning mit Fernerkundungsdaten zur Abschätzung der Gebäudevulnerabilität bei Hochwasser und Erdbeben

Thoma, Matthias (2017) Cost-Sensitive Active Learning mit Fernerkundungsdaten zur Abschätzung der Gebäudevulnerabilität bei Hochwasser und Erdbeben. Masterarbeit, FernUniversität in Hagen.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Kurzfassung

In dieser Arbeit wird der Einsatz von Active Learning (AL) zur effizienten Charakterisierung von Gebäuden mit Hilfe von aus Fernerkundungsdaten gewonnenen Merkmalen untersucht. Bei AL wird basierend auf bisherigem Wissen (in Form von gelabelten Samples) ein vorläufiges Modell zur Klassifikation einer Zielvariablen gebildet; eine Query-Funktion fragt in einem iterativen Prozess gezielt bei einem Experten diejenigen Samples als zusätzliche Trainingsdaten an, die den größten Informationsgewinn versprechen. Im Gegensatz zu vielen Aufgabenstellungen mit nur einer Zielvariable (Single-Task AL), bei denen AL eingesetzt wird, liegen im betrachteten Anwendungskontext Abschätzung der Gebäudevulnerabilität bei Hochwasser und Erdbeben zwei Besonderheiten vor: Erstens ist eine Vielzahl von gleichzeitig zu klassifizierenden Zielvariablen interessant (Multi-Task AL); zweitens ist die Erfassung mancher Eigenschaften zeit- und kostenintensiv, so dass bei der Auswahl der anzufragenden Samples der erwartete Aufwand berücksichtigt werden sollte (Cost-Sensitive AL). Entsprechend wird eine leistungsfähige Single-Task AL-Technik, die Samples nach Unsicherheit und Vielfalt anfragt, zunächst für Multi-Task AL erweitert. Hierbei werden verschiedene Strategien, die auf abwechselnder Auswahl bzw. auf Rang-Kombination basieren, evaluiert. Schließlich wird als weiteres Auswahlkriterium eine Kostenkomponente hinzugefügt, wobei der Zeitaufwand anhand der Entfernungen auf dem Straßennetz unter Berücksichtigung unterschiedlicher Reisegeschwindigkeiten (mit dem Auto / zu Fuß) realitätsnah abgeschätzt und die Tourplanung als Problem des Handlungsreisenden optimiert wird. Die experimentelle Untersuchung anhand zweier Anwendungsszenarios im Kölner Stadtgebiet im Hinblick auf insgesamt fünf Zielvariablen zeigt, dass die entwickelten und eingesetzten Multi-Task-Strategien bessere Klassifikationsergebnisse erzielen als zufällige Sample-Auswahl und dass durch Cost-Sensitive Multi-Task AL vergleichbare Genauigkeit mit geringerem Zeit- und Kostenaufwand bzw. in gegebenem Zeitbudget bessere Klassifikationsergebnisse erreicht werden können als mit Query-Funktionen, die bei der Auswahl die erwarteten Kosten nicht berücksichtigen.

elib-URL des Eintrags:https://elib.dlr.de/115373/
Dokumentart:Hochschulschrift (Masterarbeit)
Titel:Cost-Sensitive Active Learning mit Fernerkundungsdaten zur Abschätzung der Gebäudevulnerabilität bei Hochwasser und Erdbeben
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Thoma, Matthiasmatthias.thoma (at) hswt.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2017
Referierte Publikation:Nein
Open Access:Nein
Seitenanzahl:181
Status:veröffentlicht
Stichwörter:Supervised Classification; Active Learning; Multitask Learning Support Vector Machines
Institution:FernUniversität in Hagen
Abteilung:Fakultät für Mathematik und Informatik
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Fernerkundung u. Geoforschung, R - Sicherheitsrelevante Erdbeobachtung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Deutsches Fernerkundungsdatenzentrum > Georisiken und zivile Sicherheit
Hinterlegt von: Geiß, Christian
Hinterlegt am:20 Nov 2017 14:27
Letzte Änderung:20 Nov 2017 14:27

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.