KI-basierte Verbesserung der Auswertung von Seitensichtsonarbildern mittels Methoden des Deep Learnings
Diese Dissertation befasst sich damit, wie sich Deep Learning Modelle für die Auswertung von Seitensichtsonarbildern auch mit wenigen Trainingsdaten erfolgreich trainieren lassen. Hierfür wird unter anderem eine Methode zur Generierung synthetischer Sonarbilder vorgestellt und gezeigt, dass das Anreichern des Trainingsdatensatzes mit diesen Bildern die Klassifikationsperformance von neuronalen Netzen deutlich steigern kann.
Wir haben Yannik zu seiner Dissertation befragt:
In welchem Kontext ist deine Dissertation entstanden? Welche Projekte oder anderen Faktoren haben deine Dissertation besonders beeinflusst?
Meine Dissertation enthält Forschungsergebnisse, die ich am DLR Institut für den Schutz maritimer Infrastrukturen (DLR-MI) erarbeitet habe. Den Anfang nahm die Arbeit durch eine Kooperation mit der ATLAS Elektronik GmbH, die das DLR-MI in einem Projekt beauftragt hat, sich mit Deep Learning Methoden für die Auswertung von Sonarbildern zu beschäftigen. Durch Herrn Prof. Dr.-Ing. Dieter Kraus vom Institut für Wasserschall, Sonartechnik und Signaltheorie der Hochschule Bremen kam die Kooperation mit der Bergischen Universität Wuppertal und letzten Endes dem TMDT zustande. Trotz der Anzahl an beteiligten Partner, bin ich froh, dass ich am DLR-MI sehr frei an meinem Thema forschen konnte.
Welchen Beitrag leistet deine Arbeit zum Forschungsfeld?
In der Domäne „Sonar“ gibt es keinen großen, öffentlich zugänglichen Datensatz wie in anderen Computer Vision Bereichen. Daher freut es mich, dass sich durch das in meiner Arbeit entwickelte und auf Transfer-Lernen basierende Verfahren ein Generative Adversarial Network (GAN) auch mit wenigen Daten erfolgreich trainiert lässt und die so generierten Bilder hilfreich sind, um die Klassifikationsperformance von neuronalen Netzen zu steigern. Außerdem werden in meiner Arbeit zum ersten Mal Transformer für die Detektion von Objekten in Seitensichtsonarbildern eingesetzt, die eine bessere Detektionsleistung zeigen als gewöhnliche Verfahren der digitalen Bildverarbeitung.
Wie geht es nun für dich und das Thema weiter?
Es geht quasi weiter wie bisher. Ich werde am DLR-MI weiter am Einsatz von Deep Learning Methoden für die Auswertung von Sonardaten forschen. Die Anwendung der Algorithmen on-board auf einem autonomen Unterwasserfahrzeug ist zum Beispiel ein zentraler Punkt, um solchen Systemen mehr Intelligenz zu geben. Automatisch zu erkennen, was auf dem Meeresboden liegt ist unter anderem für die Entfernung von Altlasten aus Nord- und Ostsee relevant. Unser Ziel beim DLR-MI wird es außerdem sein ein größeres Team aufzubauen, dass sich mit der Verarbeitung und Analyse von hydroakustischen Daten befasst.
