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

Ulearn: An explainable uncertainty-aware machine learning tool for unsupervised classification

Goyal, Shivam und Karmakar, Chandrabali und Camero, Andres und Dumitru, Corneliu Octavian und Datcu, M. (2025) Ulearn: An explainable uncertainty-aware machine learning tool for unsupervised classification. In: International Geoscience and Remote Sensing Symposium (IGARSS), Seiten 1-4. IEEE Geoscience and Remote Sensing Society (GRSS). IGARSS 2025, 2025-08-03 - 2025-08-08, Brisbane, Australia. (im Druck)

[img] PDF - Nur DLR-intern zugänglich
383kB

Offizielle URL: https://www.2025.ieeeigarss.org/view_paper.php?PaperNum=5278&SessionID=1416

Kurzfassung

Research and application combining machine and deep learning algorithms and earth observation data has seen tremendous success in the last decades. However, most popular models are black-boxes. A scarcity of eXplainable unsupervised models with adequate accuracy and robustness is still evident. In this research we propose a tool to make unsupervised classification of image data with an eXplainable probabilistic model which makes it feasible for domain experts to validate the results of the classification, especially when the model is not adequately certain of its predictions. The eXplainable model used is a Bayesian generative model called Latent Dirichlet Allocation (LDA). LDA has recently been established as an eXplainable model and able to process diverse data types e.g., text, image. Audio etc. We propose a user interface tool to facilitate using LDA for images classification. We present two use-cases with the tool: 1) automatic coastline change detection with Sentinel-2 images at Baltic Sea, and 2) fire detection at Los Angeles.

elib-URL des Eintrags:https://elib.dlr.de/214935/
Dokumentart:Konferenzbeitrag (Poster)
Zusätzliche Informationen:This work is partially funded by the HGF under AutoCoast project (grant ZT-I-PF-4048)
Titel:Ulearn: An explainable uncertainty-aware machine learning tool for unsupervised classification
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Goyal, ShivamNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Karmakar, ChandrabaliChandrabali.Karmakar (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Camero, AndresAndres.CameroUnzueta (at) dlr.dehttps://orcid.org/0000-0002-8152-9381NICHT SPEZIFIZIERT
Dumitru, Corneliu OctavianCorneliu.Dumitru (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datcu, M.University Politehnica BucharestNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:August 2025
Erschienen in:International Geoscience and Remote Sensing Symposium (IGARSS)
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
Seitenbereich:Seiten 1-4
Verlag:IEEE Geoscience and Remote Sensing Society (GRSS)
Status:im Druck
Stichwörter:LDA, Sentinel-2, Fire detection, Coastal change, eXplainable Machine Learning Tool, Uncertainty
Veranstaltungstitel:IGARSS 2025
Veranstaltungsort:Brisbane, Australia
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:3 August 2025
Veranstaltungsende:8 August 2025
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 - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Dumitru, Corneliu Octavian
Hinterlegt am:09 Jul 2025 11:39
Letzte Änderung:12 Aug 2025 17:07

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

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