elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Imprint | Privacy Policy | Contact | Deutsch
Fontsize: [-] 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. Master's, FernUniversität in Hagen.

Full text not available from this repository.

Abstract

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.

Item URL in elib:https://elib.dlr.de/115373/
Document Type:Thesis (Master's)
Title:Cost-Sensitive Active Learning mit Fernerkundungsdaten zur Abschätzung der Gebäudevulnerabilität bei Hochwasser und Erdbeben
Authors:
AuthorsInstitution or Email of AuthorsAuthors ORCID iD
Thoma, Matthiasmatthias.thoma (at) hswt.deUNSPECIFIED
Date:2017
Refereed publication:No
Open Access:No
Gold Open Access:No
In SCOPUS:No
In ISI Web of Science:No
Number of Pages:181
Status:Published
Keywords:Supervised Classification; Active Learning; Multitask Learning Support Vector Machines
Institution:FernUniversität in Hagen
Department:Fakultät für Mathematik und Informatik
HGF - Research field:Aeronautics, Space and Transport
HGF - Program:Space
HGF - Program Themes:Earth Observation
DLR - Research area:Raumfahrt
DLR - Program:R EO - Erdbeobachtung
DLR - Research theme (Project):R - Remote sensing and geoscience, R - Vorhaben Sicherheitsrelevante Erdbeobachtung
Location: Oberpfaffenhofen
Institutes and Institutions:German Remote Sensing Data Center > Geo Risks and Civil Security
Deposited By: Geiß, Christian
Deposited On:20 Nov 2017 14:27
Last Modified:20 Nov 2017 14:27

Repository Staff Only: item control page

Browse
Search
Help & Contact
Information
electronic library is running on EPrints 3.3.12
Copyright © 2008-2017 German Aerospace Center (DLR). All rights reserved.