Improved support vector machines - implementation and validation

This thesis advances land-cover classification from satellite imagery through extensions of Virtual Support Vector Machines. An existing framework was reimplemented in Python and enhanced with augmentation-driven virtual layers to improve data diversity. A novel iterative active learning approach was then introduced, achieving substantial accuracy gains over single-iteration methods, particularly on the Milan Sentinel-2 dataset. Results highlight the potential of combining semi-supervised and active learning for robust remote sensing applications.

Questa tesi propone estensioni dei metodi di classificazione da immagini satellitari basate su Virtual Support Vector Machines. Un framework esistente è stato reimplementato in Python e arricchito con livelli virtuali generati tramite tecniche di data augmentation per aumentare la diversità dei dati. È stato inoltre introdotto un nuovo approccio di active learning iterativo, che ha portato a miglioramenti significativi rispetto ai metodi a singola iterazione, in particolare sul dataset Sentinel-2 di Milano. I risultati evidenziano il potenziale della combinazione tra apprendimento semi-supervisionato e active learning per applicazioni robuste di telerilevamento.