4.4 Auswertung für Anwendungen im maritimen Umfeld
Zi Fraunhofer %Z Fraunhofer
CML 160
Datenverbrauch reduzieren und führt oft zu einer verbesserten Leistung, da das Modell ein besseres Verständnis der
neuen Aufgabe gewinnt, indem es auf seinem vorhandenen Wissen aufbaut. Diese Technik wird auch in ISO/IEC IS
22989 (5.11.5) [BA] erwähnt und in ISOANEC 23053 [BY] genauer beschrieben
4.4 Auswertung für Anwendungen im maritimen Umfeld
In diesem Kapitel werden die gewonnen Ergebnisse der Objektdetektion und semantischer Segmentierung unter
Verwendung einzelner vorgestellter Architekturen (s. Kapitel und Datensätzen diskutiert. Dieser Teil der Arbeit
kann als Teil der Maßnahmen ER] und EN-1(s. Kapitel A) gesehen werden.
Objektdetektion
Für die Objektdetektion wurden die Architekturen Faster-R-CNN, DETR und YOLOv7 ausgewählt um ein breites
Spektrum zu erfassen und zum Teil aus Gründen der Verfügbarkeit des Quellcodes.
Der Singapore Maritime Dataset (SMD) [BJ] ist ein öffentlich zugänglicher Datensatz für maritime Anwendun-
gen. Er umfasst insgesamt 81 Videos von Schifffahrtsaktivitäten, aufgenommen in der Umgebung des Hafens in
Singapur. Der Datensatz stellt zudem Annotationen zur Verfügung die für das Training von Kl-Systemen verwendet
werden können für Einsatzzwecke, wie z. B. Schiffsnachverfolgung, Verkehrsanalyse und Sicherheitsmaßnahmen.
ABOships [EI] ist ein weiterer Datensatz, aufgenommen aus einem fahrendem Schiff im Hafen von Turku in Finn-
land. Er besteht aus etwa 10.000 Bildern und 42.000 annotierten Schiffen. Im Unterschied zu SMD, enthalten die
Bilddaten deutlich mehr Schiffe und andere Objekte die Schiffen ähneln (z.B. Hafenkräne oder Straßenfahrzeuge),
was zu deutlich gesteigertem Anforderungen an den Objektdetektor führt.
Die meisten Autoren stellen Modelle zur Verfügung die auf dem COCO Datensatz trainiert wurden. Da die-
ser Datensatz auch eine eine Klasse für Schiffe enthält, können diese Modelle theoretisch sofort ohne weiteres
Training direkt eingesetzt werden. Wie gut das letztlich funktioniert und ob eine Anpassung an das spezifische
Einsatzszenario durch Nachtrainieren nötig ist wird hier ebenfalls untersucht.
Die Ergebnisse der Evaluierung sind in der Tabelle A] zusammengefasst und zeigen, dass YOLOvV7 den anderen
Algorithmen in den meisten Metriken überlegen ist. Hinzu kommt, dass YOLOv7 im Gegensatz zu Faster-R-CNN
und DETR echtzeitfähig ist.
Tabelle 4: Hauptergebnisse der Evaluierung von Objektdetektionsarchitekturen. Aufgeführt sind hierbei die evalu-
ıerten Architekturen ohne und mit nachträglichem Training. Nachträgliches Training und die Evaluierungen fanden
unter Verwendung der aufgeführten Datensätze SMD oder ABOships statt. mAPz, steht für die mAP Metrik ange-
wandt nur auf große Objekte, mAP< für kleine Objekte.
SMD ABOships
Architektur Training mAP MAP, MAPs MmAR mAP MAP, MAPs MmAR
-aster-R-CNN COCO 27.3 55.9 0.1 33.9 13.0 20.9 8.0 24.3
zaster-R-CNN Nachtrainiert 33.9 56.1 6.7 41.3 29.0 45.6 18.5 37.6
DETR COCO 21.9 47.2 0.0 29.2 7.9 8.4 7.7 25.6
DETR Nachtrainiert 34.7 61.2 0.3 39.6 27.1 48.7 13.8 39.6
YOLOvV7 COCO 28.8 60.5 0.0 31.6 11.9 26.5 3.4 15.7
YOLOV7 Nachtrainiert 410 630 77 46.5 31.9 52.3 17.6 39.0
Ein Vergleich mit typischen Fehlern ist dargestellt in Abbildung [7]
Semantische Segmentierung
Maritime Semantice Segmentation Training Dataset (Mastr) [EZ] ist ein Datensatz zur semantischen Segmentie-
rung im Meer, zugeschnitten auf die Entwicklung von Methoden zur Hinderniserkennung in kleinen Küsten-USVs
(Unmanned Surface Vehicle). Er enthält 1.325 Bilder, die über einen Zeitraum von zwei Jahren mit einem echten
USV an der Küste Sloveniens aufgenommen wurden und eine Reihe realistischer Bedingungen und Hindernissen
abdecken, die im Kontext der Küstenüberwachung auftreten können.
Für diese Aufgabenstellung gibt es keine passende vortrainierte Netzwerke, also muss auf das Einsatzszenario
trainiert werden. Tabelle A zeigt die Ergbenisse der Evaluierung. Einzelne repräsentative Beispielbilder sind dargestellt
in Abbildung A.
