REPOZITORIJ > REZULTATI

Povzetek

Hitra širitev sistemov za opazovanje Zemlje je povzročila nastanek neprimerljivo velike
količine satelitskih posnetkov, kar prinaša izjemne priložnosti in hkrati pomembne izzive
za spremljanje okolja ter analizo pokrovnosti tal. Čeprav ta obilica podatkov omogoča
celovito globalno spremljanje, njihova pretvorba v uporabne informacije zahteva napredne
analitične metode, sposobne modelirati kompleksnost zemeljskih pokrajin, kjer se različni
tipi pokrovnosti tal pogosto pojavljajo hkrati v posameznih odsekih posnetkov in tvorijo
hierarhične semantične odnose. Tradicionalni pristopi enoznačne klasifikacije se v takih
primerih izkažejo za neustrezne, zato so potrebni modeli napovedovanja strukturiranih
izhodov, ki omogočajo zajem odvisnosti med oznakami in upoštevanje taksonomskih omejitev
ter hkrati učinkovito delovanje pri omejeni količini označenih podatkov.
Disertacija naslavlja presečišče napovedovanja strukturiranih izhodov in različnih stopenj
nadzora pri analizi posnetkov daljinskega zaznavanja. Raziskava se osredotoča na
razvoj novih polnadzorovanih učnih metodologij za večoznačno klasifikacijo in hierarhično
večoznačno klasifikacijo, ki izkoriščajo obilico neoznačenih satelitskih posnetkov skupaj z
omejenim številom označenih primerov ter hkrati ohranjajo kompleksne odvisnosti med
oznakami, značilne za vizualno vsebino iz resničnega sveta.
Razvit je hibridni polnadzorovan okvir, ki združuje ekstrakcijo značilk na osnovi konvolucijskih
nevronskih mrež s polnadzorovanimi napovednimi gručevalnimi drevesi in ansambelskimi
metodami. Ta dvostopenjski pristop izkorišča predstavitveno moč globokega
učenja in hkrati ohranja prilagodljivost metod na osnovi dreves za napovedovanje strukturiranih
izhodov. Obsežna evalvacija na več podatkovnih zbirkah daljinskega zaznavanja
pokaže, da SSL-PCT in SSL-RForest dosledno presegata primerljive nadzorovane pristope
pri različnih mrežnih arhitekturah in deležih označenih podatkov, pri čemer se SSL-RForest
izkaže za posebej učinkovitega v primerjavi z najsodobnejšimi samonadzorovanimi in polnadzorovanimi
metodami. Za izboljšanje računske učinkovitosti tega okvira so preučene
tehnike redukcije dimenzionalnosti, ki omogočajo pohitritve učenja za 2–3 velikostne rede
ob ohranjeni ali celo izboljšani napovedni zmogljivosti, kar pristop naredi primeren za
obsežno operativno uporabo.
Zaradi računskih neučinkovitosti in nepopolnega usklajevanja značilk, značilnih za dvostopenjske
pristope, je predstavljen SSL-MAE, enoten end-to-end okvir, ki odpravlja omejitve
tradicionalnega ločenega predusposabljanja in fine-tuninga z integracijo samonadzorovanega
predstavitvenega učenja z diskriminativnim učenjem, specifičnim za nalogo, preko
adaptivne skupne optimizacije. Z uporabo maskiranih samokodirnikov kot samonadzorovane
komponente okvir dinamično uravnava nadzorne signale skozi celoten proces učenja
ter dosega konkurenčno zmogljivost v primerjavi z dvostopenjskimi metodami, ob hkratnem
bistvenem izboljšanju računske učinkovitosti. Adaptivni mehanizem skupnega učenja
se izkaže za široko uporabnega in uspešno izboljša tudi druge samonadzorovane pristope,
kot sta BYOL in MoCo.
Ker realne taksonomije pokrovnosti tal pogosto vsebujejo kompleksne večpotne hierarhične
odnose, ki jih obstoječe metode ne obravnavajo ustrezno, je predstavljen HELM, prvi polnadzorovan slikovni pristop, sposoben modelirati večpotne hierarhije v hierarhični večoznačni
klasifikaciji. Okvir združuje hierarhično-specifične razredne žetone z grafovskimi
strukturnimi kodirniki za zajem kompleksnih odnosov med oznakami ter vključuje BYOL
kot samonadzorovan učni modul za učinkovito izrabo neoznačenih podatkov ob ohranjanju
hierarhične skladnosti. Evalvacija na področjih daljinskega zaznavanja in medicinskega
slikanja pokaže, da vključevanje hierarhičnih informacij pomembno izboljša napovedne
zmogljivosti tako v nadzorovanih kot tudi polnadzorovanih nastavitvah.
Celovita evalvacija na več podatkovnih zbirkah potrjuje, da predlagane metode dosledno
presegajo najsodobnejše nadzorovane in polnadzorovane pristope ter zahtevajo bistveno
manj označenih podatkov. Predstavljeni okviri naslavljajo ključne izzive izkoriščanja
neoznačenih podatkov pri nalogah napovedovanja strukturiranih izhodov in ponujajo
praktične rešitve za obsežno spremljanje okolja, kjer so stroški označevanja visoki.
Delo postavlja nove primerjalne standarde in vire za raziskovalno skupnost ter odpira obetavne
smeri prihodnjih raziskav na področjih samodejnega odkrivanja hierarhij, vizualnosemantičnega
usklajevanja in večmodalnega učenja.