Induktives Transfer-Lernen zur Klassifikation von Luft- und Satellitenbildern durch Anwendung Bayesscher Methoden

• Antragsteller: Professor Dr.-Ing. Jörn Ostermann
• Fachliche Zuordnung: Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
• Förderung: Förderung von 2013 bis 2016
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 246374192

In der Fernerkundung stellen Luftbilder und hochaufgelöste Satellitenbilder die wichtigste Informationsquelle zur Erfassung räumlicher Information dar. Die Klassifikation dieser Bildquellen mittels überwachter Lernverfahren ist dabei ein essentieller Schritt in der Interpretation und Aufbereitung der Daten. Die hierfür benötigte Lernstichprobe muss in einem aufwendigen Verfahren manuell erzeugt werden. Verfahren des Transfer-Lernens könnten hier Abhilfe schaffen. Durch ein robustes Transfer-Modell sollen bereits vorhandene Lernstichproben aus räumlich oder zeitlich verwandten Aufnahmen, d.h. aus benachbarten Studiengebieten oder multi-temporalen Aufnahmen, wiederverwendet werden. Gleichzeitig soll durch statistische Untersuchungen automatisch erkannt werden, wann ein solcher Transfer sinnvoll ist.Ziel dieses Projekts ist die Entwicklung und Evaluierung eines solchen Transfer-Modells. Die Parameter dieses Modells werden durch Methoden der Bayesschen Parameterschätzung aus den verfügbaren Lernstichproben sowie einer sorgfältig erarbeiteten a-priori Wahrscheinlichkeit abgeleitet. Bayessche Methoden haben sich bereits in vielen Aufgabengebieten bewährt, da sie eine methodische Behandlung von Unsicherheit erlauben und selbst bei einer minimalen Datengrundlage robuste Schätzer konstruiert werden können. Die Implementierung dieses Schätzers erfolgt durch moderne Simulationsverfahren, d.h. Markov-Chain-Monte-Carlo (MCMC) Verfahren.Neben der, im Vergleich mit existierenden Verfahren, erhöhten Robustheit lassen sich die wesentlichen Innovationen dieses Projekts folgendermaßen charakterisieren: (1) Die Einschätzung, ob der Transfer aus einer Lernstichprobe sinnvoll ist, kann in aktuellen Verfahren entweder zu optimistisch ausfallen (daraus erfolgt negativer Transfer) oder benötigt größere Lernstichproben. Durch Verwendung eines erweiterten Transfer-Kriteriums soll unser Transfer-Modell insgesamt konservativere, und bei geringen Stichprobengrößen robustere, Einschätzungen liefern. (2) Unser Verfahren verfolgt sowohl eine Instance-Transfer-Strategie als auch eine Feature-Representation-Strategie in einem vereinheitlichten Modell. (3)Bestehende Ansätze integrieren die Transfer-Methodik in ein konkretes Klassifikationsverfahren. Unser Transfer-Modell hingegen ist nur durch eine abstrakte Schnittstelle an das Klassifikationsverfahren gekoppelt. Dies erlaubt eine einfache Verwendung beliebiger Klassifikationsverfahren.Zusammen mit einem von Prof. Heipke (Institut für Photogrammetrie und GeoInformation der Leibniz Universität Hannover) zeitgleich eingereichten Forschungsantrag werden Testdaten gemeinsam genutzt. Die entwickelten Verfahren, die unterschiedliche Aspekte des Lernens behandeln, werden ausgetauscht und verglichen.

• DFG-Verfahren: Sachbeihilfen
• Beteiligte Person: Professor Dr.-Ing. Christian Heipke