Beschreibung
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 mittels Generative Adversarial Networks entwickelt und gezeigt, dass das Anreichern des Trainingsdatensatzes mit diesen Bildern die Klassifikationsperformance von neuronalen Netzen deutlich steigern kann. Des Weiteren werden umfangreiche Studien zum Netzwerkdesign von Convolutional Neural Networks (CNN), zu hybriden Scattering Neural Networks sowie zu CNN- und transformerbasierten Detektoren im Kontext der automatischen Auswertung von Seitensichtsonarbildern vorgestellt. Es wird für diese Anwendung gezeigt, dass moderne Deep Learning Detektoren klassische Verfahren wie Template Matching hinsichtlich ihrer Detektionsleistung deutlich übertreffen.
