5.3 Aggregation und Sammlung von realen Bilddaten
ABOships Inshore and Offshore
Aaritime Vessel Detection Dataset
Singapore Maritime Dataset
Zi Fraunhofer ZZ Fraunhofer
CML 160
Maritime Semantic Segmentation Training Dataset for
training deep USV obstarle detection models
a De
Po]
20 7
nn
n
„
Q
S
rs
N
an
Object class
Abbildung 14: Repräsentativität von Datensätzen am Beispiel der externen Datensätze aus Tabelle H. Aufgetragen
nach prozentualem Anteil der jeweiligen Objektklasse am Gesatmanteil des Datensatzes.
Qualität
Bei der Betrachtung der beobachteten Qualität in den verwendeten Datensätzen sind verschiedene Phänomene auf-
getreten, die einen entscheidenden Einfluss auf die Verwendbarkeit der Daten haben. Eine genaue Beschreibung der
datensatzspezifischen Phänomene findet sich für die externen Datensätze in [EI], [EM und [BA]. Qualitätseinschrän-
kungen ergeben sich neben den Eigenschaften der Kamera (Sensor, Objektiv und Auflösung) vor allem durch äußere
Einflüsse, beispielhaft dargestellt in Abbildung [[3.Die beobachteten Effekte können jedoch bei besserer Quantifi-
zierung auch als sinnvolle Ergänzung eines Datensatzes angesehen werden. Wenn die Anwendungsdomäne des
entsprechenden Kl-Systems diese Störeinflüsse definiert und beschreibt, können Phänomene wie Wetter, Kame-
‚abewegung oder die Reduktion der Auflösung der Bilddaten berücksichtigt und bei entsprechender Datenbasis
durch das trainierte Kl-Modell robust klassifiziert werden.
(a) Unscharfe Darstellung durch Bewegung der
Kamera.
(d) Regen auf der Kameralinse und Verdeckung
von Objekten.
‘b) Reduzierung in der Anzahl sichtbarer Objekte
durch Nebel
(e) Schlechte Sichtbarkeit von Objekten durch
ungeeigneten Blickwinkel
(c) Schlechte Sichtverhältnisse im Dunkeln durch
einen ungeeigneten Sensor
(f) Überbelichtung von Teilen des Bildes durch di-
rekte Sonneneinstrahlung.
Abbildung 15: Qualitätseinschränkungen in gesammelten Bilddaten am Beispiel des CML Schiffsdatenbank Daten-
satzes auf Basis von Webcams im Bereich des Hamburger Hafen.
I
