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

Cost-Sensitive Multitask Active Learning for Characterization of Urban Environments With Remote Sensing

Geiß, Christian und Thoma, Matthias und Taubenböck, Hannes (2018) Cost-Sensitive Multitask Active Learning for Characterization of Urban Environments With Remote Sensing. IEEE Geoscience and Remote Sensing Letters, 15 (6), Seiten 922-926. IEEE - Institute of Electrical and Electronics Engineers. doi: 10.1109/lgrs.2018.2813436. ISSN 1545-598X.

[img] PDF - Preprintversion (eingereichte Entwurfsversion)
1MB

Offizielle URL: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8341760

Kurzfassung

In this letter, we propose a novel cost-sensitive multi-task active learning (CSMTAL) approach. Cost-sensitive active learning (CSAL) methods were recently introduced to specifically minimize labeling efforts emerging from ground surveys. Here, we build upon a CSAL method but compile a set of unlabeled samples from a learning set which can be considered relevant with respect to multiple target variables. To this purpose, a multi-task meta-protocol based on alternating selection is implemented. It comprises a so-called one-sided selection (i.e., single-task AL selection for a reference target variable with simultaneous labeling of the residual target variables) with a changing leading variable in an iterative selection process. Experimental results are obtained for the city of Cologne, Germany. The target variables to be predicted, using features from remote sensing and a Support Vector Machines framework, comprise “building type” and “roof type”. Comparative model accuracy evaluations underline the capability of the CSMTAL method to provide beneficial solutions with respect to a random sampling strategy and non-cost-sensitive multi-task active sampling.

elib-URL des Eintrags:https://elib.dlr.de/120168/
Dokumentart:Zeitschriftenbeitrag
Titel:Cost-Sensitive Multitask Active Learning for Characterization of Urban Environments With Remote Sensing
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Geiß, ChristianChristian.Geiss (at) dlr.dehttps://orcid.org/0000-0002-7961-8553NICHT SPEZIFIZIERT
Thoma, Matthiasmatthias.thoma (at) hswt.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Taubenböck, Hanneshannes.taubenboeck (at) dlr.dehttps://orcid.org/0000-0003-4360-9126NICHT SPEZIFIZIERT
Datum:Juni 2018
Erschienen in:IEEE Geoscience and Remote Sensing Letters
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:15
DOI:10.1109/lgrs.2018.2813436
Seitenbereich:Seiten 922-926
Verlag:IEEE - Institute of Electrical and Electronics Engineers
ISSN:1545-598X
Status:veröffentlicht
Stichwörter:Building type, cost-sensitive multitask active learning (CSMTAL), LiDAR, remote sensing, roof type, support vector machines (SVMs), very high-resolution imagery
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 - Sicherheitsrelevante Erdbeobachtung, R - Fernerkundung u. Geoforschung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Deutsches Fernerkundungsdatenzentrum
Deutsches Fernerkundungsdatenzentrum > Georisiken und zivile Sicherheit
Hinterlegt von: Geiß, Christian
Hinterlegt am:13 Jun 2018 09:40
Letzte Änderung:02 Nov 2023 10:15

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.