Few-Shot Learning

Few-Shot Learning ist ein Paradigma des maschinellen Lernens, das Modelle in die Lage versetzen soll, mit nur sehr wenigen gelabelten Beispielen, typischerweise zwischen einem und zehn pro Kategorie, auf neue Klassen oder Aufgaben zu verallgemeinern. Dies steht im Gegensatz zum konventionellen Deep Learning, das häufig Tausende oder Millionen gelabelter Beispiele pro Klasse benötigt. Few-Shot-Methoden erreichen dies durch Meta-Learning (das Erlernen des Lernens), metrikbasierte Ansätze, die neue Beispiele mit Prototypen vergleichen, oder Anpassungsstrategien, die vortrainierte Modelle mit minimalen Daten feinjustieren.

Few-Shot Learning ist von entscheidender Bedeutung für geospatiale Anwendungen, bei denen gelabelte Trainingsdaten einen dauerhaften Engpass darstellen. Die Annotation von Satellitenbildern erfordert Fachwissen in Fernerkundung und Geografie, was sie weitaus teurer macht als die Beschriftung alltäglicher Fotografien. Für seltene Landbedeckungsarten, neu entstehende Merkmale wie Baustellen oder geografisch einzigartige Landschaften stehen möglicherweise nur sehr wenige Beispiele zur Verfügung. Few-Shot-Landbedeckungsklassifikation ermöglicht einen schnellen Einsatz in neuen Regionen, da nur wenige gelabelte Pixel pro Klasse statt dichter Trainingskarten benötigt werden. Die Katastrophenhilfe profitiert von der Few-Shot-Objekterkennung, mit der sich anhand nur einer Handvoll Beispiele nach einem Ereignis rasch beschädigte Bauwerke identifizieren lassen.

Metrikbasierte Few-Shot-Methoden wie Prototypical Networks lernen, neue Beispiele mit Klassenprototypen in einem Embedding-Raum zu vergleichen. Model-Agnostic Meta-Learning (MAML) trainiert Modelle, die sich mithilfe von Gradientenaktualisierungen anhand weniger Beispiele schnell an neue Aufgaben anpassen lassen. Foundation Models, die mittels selbstüberwachten Lernens auf großen Satellitenbildarchiven vortrainiert wurden, liefern starke Ausgangsrepräsentationen, die die Few-Shot-Leistung erheblich verbessern. Die Kombination aus Foundation-Model-Vortraining und Few-Shot-Feinabstimmung etabliert sich zunehmend als praxistauglicher Workflow für den Einsatz von Geo-KI in datenarmen Regionen.