<?xml version="1.0"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/"><rdf:Description rdf:about="https://repozitorij.uni-lj.si/IzpisGradiva.php?id=190008"><dc:title>Confidence-driven background selection for presence and background learning in remote sensing water body mapping</dc:title><dc:creator>Attaf,	Dalila	(Avtor)
	</dc:creator><dc:creator>Haffaf,	Hafid	(Avtor)
	</dc:creator><dc:creator>Boumediene,	Kadda	(Avtor)
	</dc:creator><dc:description>Metoda učenja prisotnosti in ozadja (PBL) je učinkovita pri polnadzorovanem učenju z omejenim številom označenih podatkov, zlasti pri daljinskem zaznavanju. Vendar lahko naključno izbiranje vzorcev ozadja povzroči vključitev pikslov ciljanega razreda, kar poslabša učenje modela. V prispevku predstavljamo izboljšano metodo PBL, ki naključno vzorčenje nadomešča z izbiro na podlagi zaupanja v napovedi modela. Ta se najprej nauči prepoznavati označene pozitivne vzorce, nato pa z oceno verjetnosti prisotnosti izbere neoznačene vzorce, ki z majhno verjetnostjo pripadajo ciljnemu razredu. Tako oblikovano ozadje omogoča zanesljivejše učenje. Metodo smo preizkusili pri zaznavanju vodnih teles na satelitskih posnetkih Sentinel-2 ekološko raznolikega parka El Kala v Alžiriji. Rezultati kažejo, da predlagani pristop pri vseh uporabljenih metrikah, vključno s koeficientom Kappa in mero F1, presega osnovno metodo PBL.</dc:description><dc:date>2026</dc:date><dc:date>2026-10-20 10:47:03</dc:date><dc:type>Članek v reviji</dc:type><dc:identifier>190008</dc:identifier><dc:language>sl</dc:language></rdf:Description></rdf:RDF>