Eine vergleichende Bewertung des Multi-View-Fusion-Learnings für die Klassifizierung von landwirtschaftlichen Nutzpflanzen

Mit der rasch wachsenden Menge und Vielfalt an Fernerkundungsdaten (Remote Sensing, RS), besteht ein dringender Bedarf an Mehrsicht-Lernmodellen. Dies ist eine komplexe Aufgabe, wenn man die Unterschiede in Auflösung, Größenordnung und Rauschen der RS-Daten berücksichtigt. Der übliche Ansatz zur Kombination mehrerer RS-Quellen war die Fusion auf Eingabebene, jedoch können andere – fortgeschrittene – Fusionss Strategien dieses traditionelle Vorgehen übertrumpfen. In dieser Arbeit werden verschiedene Fusionssstrategien für die Klassifizierung von Nutzpflanzen im CropHarvest-Datensatz evaluiert. Die in dieser Arbeit vorgeschlagenen Fusionsmethoden erzielen bessere Ergebnisse als Modelle, die auf einzelnen Sichten basieren, und frühere Fusionsmethoden. Wir finden jedoch keine einzige Fusionsmethode, die alle anderen Ansätze konsistent übertrifft. Stattdessen präsentieren wir einen Vergleich von Mehrsicht-Fusionsmethoden für drei verschiedene Datensätze und zeigen, dass je nach Testregion unterschiedliche Methoden die besten Leistungen erzielen. Trotzdem schlagen wir ein vorläufiges Kriterium für die Auswahl von Fusionsmethoden vor.