4.5 Vergleich zu generischen Anwendungen 
(a) Input 
(b) DeepLabvV3 
(c) LR-ASPP 
Zi Fraunhofer Zi Fraunhofer 
CML 160 
(d) SegFormer 
Abbildung 12: Visueller Vergleich der DeepLabV3, LR-ASPP und SegFormer Architekturen auf zwei Beispielbilder 
aus dem Mastr Datensatz. Die erkannten semantischen Klassen sind visualisiert in den Farben Orange (Himmel), 
Grün (Wasser) und Blau (Küste oder Hindernisse). DeepLabV3 und SegFormer liefern ähnlich gute Ergebnisse, wobei 
SegFormer in der Regel etwas genauer ist. Beispielsweise übersieht DeepLabV3 im ersten Bild ein kleines Hindernis. 
LR-ASPP zeigt insbesondere bei schwierigen Wetterbedingungen (z.B starkem Lichteinfall) Schwächen, kann aber 
für Spezialanwendungen ausreichend sein bei denen Geschwindigkeit eine hohe Priorität hat. 
Die Resultate verdeutlichen, dass die untersuchten Modelle, obwohl sie primär für andere Anwendungsbereiche 
entwickelt worden sind, durch gezieltes Training und Anpassungen in der Lage sind, eine akzeptable Leistung 
für spezialisierte maritime Anwendungen zu erzielen. Dies unterstreicht die Flexibilität und das Potenzial der Kl- 
Methoden, sich an anspruchsvolle Domänen anzupassen, wenn sie richtig bedient werden.