Zi Fraunhofer ZZ Fraunhofer 
CML 160 
6 Zusammenfassung 
In diesem Kapitel werden die wichtigsten Ergebnisse dieser Studie zusammengefasst. Diese sind wie die Studie 
selbst in drei wesentliche Abschnitte eingeteilt: Leitfaden zur Entwicklung sicherheitskritischer Deep-Learning- 
Anwendungen, der Anwendung von Objekterkennungsalgorithmen im nautischen Kontext sowie den Anforde- 
rungen an Bilddaten und ihre Beschaffung. 
Leitfaden zur Entwicklung sicherheitskritischer Deep-Learning-Anwendungen 
Bisher fehlt ein spezifischer Leitfaden zur Entwicklung sicherheitskritischer Deep-Learning-Anwendungen im nau- 
tischen Kontext. Stattdessen existieren lose zusammenhängende Normen, Richtlinien und Standards, die unter- 
schiedliche Teilbereiche von spezifischen bis sehr allgemein abbilden (s. Kapitel E.V. In dieser Studie wurde ein 
erster Leitfaden auf Grundlage dieser Dokumente erarbeitet (s. Kapitel BE.2), der diese Dokumente kohärent und 
umfassend zusammenführt. Um ein breites Anwendungsfeld zu bedienen, ist dieser Leitfaden generisch und im 
Sinne von Maschinellem Lernen (ML) unabhängig vom algorithmischen Ansatz gehalten. Der Leitfaden basiert im 
Wesentlichen auf dem Lebenszyklusmodell (LZM) und berücksichtigt in jeder LZM-Phase Schritte, die es zur Ent- 
wicklung einer sicheren und zuverlässigen Anwendung bedarf. Um den fachlichen Kontext zu schaffen, wurden 
Methoden und Verfahren aus der maritimen Welt übernommen. Als zentrales Beispiel sei die Formalisierung der 
Anwendungsdomäne nach dem Ansatz des Operational Envelope (s. Kapitel B.Z.) erwähnt, um auch die fort- 
schreitende Entwicklung von Maritime Autonomous Surface Ships (MASS) zu berücksichtigen. Der Leitfaden dient 
damit nicht nur unterstützend bei der Entwicklung solcher Anwendungen, sondern auch als Motivation für die 
Standardisierung ausgewählter, zum Beispiel besonders sicherheitskritischer, Schritte. 
Anwendung von Objekterkennungsalgorithmen im nautischen Kontext 
Die Evaluierung der Algorithmen (hier: Modelle) zur Detektion und semantischer Sementierung von Objekten hat 
gezeigt, dass diese Modelle (mit Nachtraining und Anpassungen) eine akzeptable Leistung für maritime Anwen- 
dungen liefern (s. Kapitel A) erbringen. Es zeigt sich jedoch, dass aufgrund der Herausforderungen an das Bild- 
material im nautischen Kontext durch Wetter, Bewegung und unterschiedlicher Lichtverhältnisse ein Training auf 
domänenspezifischen Daten notwendig ist. Weiterhin erschwert die geringe Größe maritimer Objekte selbst auf 
hochaufgelösten Bild- oder Videoaufnahmen ihre (frühzeitige) Erkennung. Die Lösung dieser Herausforderungen 
wird als separater Forschungsgegenstand betrachtet. 
Anforderungen an Bilddaten und ihre Beschaffung 
Um die Entwicklung von sicheren und zuverlässigen Anwendungen zu ermöglichen wurden Qualitätsmerkmale 
als Anforderungen an Bilddaten identifiziert (s. Kapitel 5.3.2). Anhand dieser lässt sich beurteilen, ob Bilddaten(- 
sätze) zum Training von DL-basierten Modellen hinreichend geeignet sind. Dies ist notwendig um die spezifischen 
Anforderungen nautischer Anwendungen gerecht zu werden. Hier seien spezielle Objekte wie Navigationshilfen, 
Sichtzeichen oder Leuchttürme, aber auch unterschiedlichste, einflussnehmende Umweltbedingungen erwähnt. 
Zur Erhöhung der Sicherheit und Zuverlässigkeit ist eine Fusion mit weiteren sensorischen Quellen wie Radar nahe- 
liegend. 
Zur Verbesserung der Qualitätsmerkmale von Bilddaten(-sätzen) lassen sich Augmentierung oder Synthetisie- 
rung verwenden. Während die Augmentierung von Bilddatensätzen bereits ein gängiges Verfahren darstellt (s. 
Kapitel 5:3), bedarf die sichere und zuverlässige Synthetisierung von Bilddaten weitere Forschungsarbeiten. Ers- 
te Ergebnisse unter der Verwendung der sich dauerhaft verbessernden Bildgeneratoren wirken vielversprechend 
(s. Kapitel E.2). Es wird vermutet, dass die zielgerichtete Synthese von Bilddatensätzen eine zentrale Rolle bei der 
Entwicklung (und Prüfung) von leistungsfähigen Objekterkennungsmodellen spielen könnte. Die Synthese könnte 
unter Verwendung der Semantik aus der Formalisierung der Anwendungsdomäne erfolgen. 
|