In diesem Artikel stellen wir ein weites kontextuelles Residualnetzwerk (WCRN) in Kombination mit aktivem Lernen (AL) für die Klassifikation von Fernerkundungsbildern (RSI) vor. Obwohl ResNets in verschiedenen Anwendungen (z. B. Klassifikation von RSI) erhebliche Erfolge erzielt haben, ist ihre Leistung durch die Anforderung großer Mengen an gelabelten Beispielen eingeschränkt. Da die Gewinnung von Klassenlabels in der Realität äußerst schwierig und kostspielig ist, integrieren wir das vorgeschlagene WCRN mit AL, um die Generalisierungsfähigkeit durch die Nutzung der informativsten Trainingsbeispiele zu verbessern. Konkret entwerfen wir zunächst ein weites kontextuelles Residualnetzwerk zur Klassifikation von RSI. Anschließend integrieren wir es mit aktivem Lernen, um eine gute Maschinen-Generalisierung bei begrenzter Anzahl an Trainingsproben zu erreichen. Experimentelle Ergebnisse auf den Datensätzen University of Pavia und Flevoland zeigen, dass das vorgeschlagene WCRN in Kombination mit AL die Anzahl benötigter Trainingsbeispiele erheblich reduzieren kann.