Datenaugmentierung
Die Datenaugmentierung erweitert Trainingsdatensätze durch Transformationen wie Rotation, Spiegelung, Farbverschiebung und Zuschnitt. In der geospatialen KI ist sie essenziell, um die Robustheit von Modellen zu verbessern, wenn beschriftete Satellitenbilder knapp und teuer in der Erstellung sind.
Überblick
Die Datenaugmentierung ist eine Technik zur Erhöhung der Vielfalt und Größe von Trainingsdatensätzen durch die Anwendung von Transformationen auf vorhandene Datenbeispiele. Anstatt mehr reale Daten zu sammeln und zu beschriften, erzeugt die Augmentierung modifizierte Kopien von Trainingsbeispielen, die die Gültigkeit der Beschriftung bewahren und dabei Variation einführen. Bei Bilddaten umfassen gängige Augmentierungen geometrische Transformationen (Rotation, Spiegelung, Skalierung, Zuschnitt), fotometrische Anpassungen (Helligkeit, Kontrast, Farbveränderung) sowie das Einbringen von Rauschen. Der augmentierte Datensatz setzt das Modell während des Trainings einer größeren Variation aus und verbessert damit die Generalisierung auf ungesehene Daten.
Geospatial-spezifische Augmentierungsstrategien
Satellitenbilder erfordern Augmentierungsstrategien, die auf ihre besonderen Eigenschaften zugeschnitten sind. Die Rotationsaugmentierung ist besonders wirksam, da Luftbildaufnahmen im Gegensatz zu bodennahen Fotografien keine bevorzugte Ausrichtung besitzen. Multi-Scale-Cropping berücksichtigt die variable Größe geografischer Merkmale. Die spektrale Augmentierung simuliert atmosphärische Schwankungen und Sensorrauschen, die Satellitenbeobachtungen beeinflussen. Die Copy-Paste-Augmentierung platziert Objekte aus einer Szene in eine andere, was für seltene Merkmale wie bestimmte Gebäudetypen oder Fahrzeuge nützlich ist. Mixup und CutMix mischen Trainingsbeispiele, um neue zusammengesetzte Beispiele zu erzeugen, die das Modell regularisieren. Die generative Augmentierung mittels GANs oder Diffusionsmodellen erzeugt vollständig neue synthetische Satellitenbilder für unterrepräsentierte Klassen oder Regionen.
Auswirkung auf die Leistung geospatialer Modelle
Die Datenaugmentierung verbessert durchgängig die Klassifikations- und Segmentierungsgenauigkeit geospatialer Modelle, insbesondere wenn beschriftete Daten knapp sind. Sie reduziert Overfitting, indem sie verhindert, dass Modelle sich spezifische Trainingsbeispiele einprägen. Die Augmentierung ist besonders wertvoll zur Behebung von Klassenungleichgewichten, bei denen seltene Landbedeckungsarten oder ungewöhnliche Objekte durch vielfältige Transformationen häufiger vertreten werden können. Der Rechenaufwand ist im Vergleich zum Sammeln und Annotieren neuer Daten minimal, was die Augmentierung zu einer der kosteneffizientesten Methoden zur Verbesserung der Leistung geospatialer KI-Modelle macht.
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.