Die zunehmende Verbreitung ziviler und kommerzieller Drohnen stellt den Schutz kritischer Infrastrukturen vor wachsende Herausforderungen. Kamerabasierte Verfahren bieten für die Detektion und Verfolgung solcher Systeme einen vielversprechenden Ansatz, da sie passiv arbeiten, vergleichsweise kostengünstig sind und sich in bestehende Sicherheitsarchitekturen integrieren lassen. Während Deep-Learning-basierte Verfahren deutliche Fortschritte in der einzelbildbasierten Drohnendetektion ermöglicht haben, bleibt eine konsistente Detektion in aufeinanderfolgenden Frames unter realistischen Einsatzbedingungen anspruchsvoll. Ursachen hierfür sind insbesondere geringe Objektgrößen, schnelle Bewegungen, temporäre Verdeckungen, komplexe Hintergründe und visuell ähnliche Störobjekte. Eine zuverlässige Detektion in jedem Einzelbild ist unter realistischen Einsatzbedingungen nicht durchgängig gewährleistet. Daher sind Verfahren erforderlich, die ein Ziel nach der initialen Erfassung auch bei temporären Detektionsausfällen stabil weiterverfolgen.
Moderne Tracking-Ansätze umfassen ein breites methodisches Spektrum, das von etablierten Tracking-by-Detection-Verfahren wie SORT und ByteTrack bis hin zu transformerbasierten Architekturen reicht. Ziel der Masterarbeit ist die vergleichende Evaluation dieser Ansätze im Kontext der kamerabasierten Drohnendetektion, insbesondere hinsichtlich der zuverlässigen Fortführung des Trackings ausgehend von initialen Detektionen. Bewertet werden Tracking-Leistung, Robustheit gegenüber temporären Detektionsausfällen, Rechenaufwand und Echtzeitfähigkeit unter realitätsnahen Einsatzbedingungen.
Das erwartet dich
Du bearbeitest eine aktuelle Forschungsfrage an der Schnittstelle von Computer Vision, Deep Learning und sicherheitskritischen Anwendungen. Im Mittelpunkt steht folgende Forschungsfrage:
Wie robust und recheneffizient können Drohnen in urbanen Überwachungsszenarien auf Grundlage einer oder weniger initialer Detektionen verfolgt werden, und wie unterscheiden sich Tracking-by-Detection-Verfahren und transformerbasierte Ansätze hinsichtlich Tracking-Leistung, Robustheit und Echtzeitfähigkeit?
Deine Aufgaben
- Einarbeitung in den Stand der Technik zur kamerabasierten Drohnendetektion sowie zu Multi- und Single-Object-Tracking (insbesondere Tracking-by-Detection-Verfahren sowie transformerbasierte Ansätze)
- Auswahl, Aufbereitung und ggf. Annotation geeigneter Videodatensätze sowie Definition realistischer Evaluationsszenarien inkl. Verdeckung und Störobjekten
- Entwurf und Implementierung einer modularen „Detect-then-Track"-Pipeline, die auf initialen Detektionen aufsetzt und das Tracking eigenständig fortführt
- Integration und vergleichende Evaluation repräsentativer Tracking-Verfahren beider Paradigmen
- Systematische Evaluation anhand etablierter Metriken sowie gezielte Untersuchungen zum Einfluss der initialen Detektionen
- Kritische Analyse und Einordnung der Ergebnisse hinsichtlich der Eignung für den realen Überwachungseinsatz
Dokumentation von Methodik und Ergebnissen in einer schriftlichen Ausarbeitung
-
Das bringst du mit
- Laufendes Masterstudium in Informatik, Mathematik, Optotechnik oder einem vergleichbaren Studiengang
- Gute Programmierkenntnisse in Python sowie praktische Erfahrung mit Deep-Learning-Frameworks (idealerweise PyTorch)
- Grundlegendes Verständnis von Computer Vision und Deep Learning
- Selbstständige und strukturierte Arbeitsweise
