Active Learning
Active Learning ist eine Strategie des maschinellen Lernens, die die informativsten Stichproben für die menschliche Kennzeichnung auswählt und so die Modellleistung mit minimalem Annotationsaufwand maximiert. Sie ist im geospatialen KI-Bereich besonders wertvoll, wo die Kennzeichnung von Satellitenbildern aufwendig und zeitintensiv ist.
Überblick
Active Learning ist ein iterativer Ansatz des maschinellen Lernens, bei dem das Modell aktiv auswählt, welche ungekennzeichneten Beispiele am wertvollsten zu kennzeichnen wären, statt mit zufällig ausgewählten Stichproben zu trainieren. Durch die gezielte Auswahl der informativsten oder unsichersten Stichproben für die menschliche Annotation erreicht Active Learning eine starke Modellleistung mit deutlich weniger gekennzeichneten Beispielen als passive Zufallsstichproben. Der Prozess durchläuft zyklisch Modelltraining, Unsicherheitsschätzung, Stichprobenauswahl, menschliche Annotation und Modell-Neutraining, bis ein Leistungsziel erreicht oder das Annotationsbudget erschöpft ist.
Active Learning für die Annotation von Satellitenbildern
Geospatiale Anwendungen profitieren enorm von Active Learning, da die Kennzeichnung von Satellitenbildern eine spezialisierte und kostspielige Aufgabe ist. Statt Tausende von Bildkacheln zufällig für die Expertenannotation auszuwählen, identifiziert Active Learning die spezifischen Kacheln, bei denen das aktuelle Modell am unsichersten ist oder bei denen eine Kennzeichnung den größten Informationsgewinn liefern würde. Unsicherheitsstichproben (Uncertainty Sampling) wählen Pixel oder Kachelausschnitte aus, bei denen der Klassifikator am wenigsten zuversichtlich ist, typischerweise in der Nähe von Klassengrenzen oder in mehrdeutigen spektralen Bereichen. Query-by-Committee-Methoden pflegen mehrere Modelle und wählen Stichproben aus, bei denen diese am stärksten voneinander abweichen. Diversitätsbasierte Strategien stellen sicher, dass ausgewählte Stichproben die geografische und spektrale Vielfalt des Untersuchungsgebiets repräsentieren, wodurch redundante Kennzeichnung ähnlicher Szenen vermieden wird.
Effizienzgewinne und praktische Umsetzung
Studien zeigen durchgängig, dass Active Learning die angestrebte Klassifikationsgenauigkeit in Fernerkundungsanwendungen mit 30 bis 70 Prozent weniger gekennzeichneten Stichproben erreicht als eine zufällige Auswahl. Dies führt unmittelbar zu geringeren Annotationskosten und einer schnelleren Modellbereitstellung. Moderne Active-Learning-Workflows integrieren sich in GISGISGeographic Information Systems (GIS) enable users to analyze and visualize spatial data to uncover patterns, relation...-Plattformen und präsentieren ausgewählte Stichproben in einer kartenbasierten Oberfläche, in der Analysten Merkmale effizient im geografischen Kontext kennzeichnen können. Batch Active Learning wählt bei jeder Iteration Gruppen informativer Stichproben aus und berücksichtigt damit praktische Arbeitsabläufe, bei denen die Annotation in geplanten Sitzungen statt kontinuierlich erfolgt.
Bereit?
Sehen Sie Mapular
in Aktion.
Buchen Sie eine kostenlose 30-minütige Demo. Wir zeigen Ihnen genau, wie die Plattform für Ihren Anwendungsfall funktioniert. Kein generisches Foliendeck, keine Verpflichtung.