Das erwartet dich
Als neues Teammitglied in der Gruppe Lagebild und Cybersicherheit der Abteilung maritime Sicherheitstechnologien erforschst und entwickelst du innovative KI-basierte Ansätze zur Datenverarbeitung in der Unterwasserdomäne, mit Fokus auf die Übertragbarkeit von Machine-Learning-Modellen zwischen unterschiedlichen hydroakustischen Sensoren (z. B. Seitensichtsonar, Multibeam-Echolot, Side-Scan-Sonar).
Du planst und realisierst Forschungsprojekte zur Entwicklung und Evaluation von Transfer-Learning-Strategien, um die Effizienz und Robustheit von KI-Modellen unter Berücksichtigung der Heterogenität von Sensordaten zu steigern. Dazu zählen die Konzeption von gemeinsamen Feature-Backbones, die Anwendung von Domain Adaptation und Multi-Task-Learning sowie die Vorverarbeitung von Rohdaten mittels GANs oder spezieller Filter.
Du führst experimentelle Untersuchungen durch, analysierst Ergebnisse mit geeigneten Metriken und Visualisierungen, leitest aus den Erkenntnissen neue Forschungsfragen ab und erprobst die Arbeit in einem experimentellen maritimen Lagebildsystem. Du trägst damit aktiv zur Entwicklung flexibler, anpassungsfähiger und sicherer Sicherheitslösungen für maritime Infrastrukturen bei – mit direkter Verbindung von Grundlagenforschung und praktischer Anwendung.
Deine Aufgaben
- Konzeption und Durchführung von Forschungsarbeiten zu Transfer-Learning-Strategien für KI-Modelle in der Unterwasserdomäne, insbesondere zur Übertragbarkeit zwischen Sensoren mit unterschiedlichen physikalischen Prinzipien
- Entwicklung und Implementierung von Algorithmen und Modellen für die Verarbeitung von Sonar-Bildsequenzen und Zeit-Frequenz-Darstellungen
- Anwendung und Evaluation von Methoden wie Feature-Extraktion, Fine-Tuning, Domain Adaptation und Multi-Task-Learning an realen und synthetischen Datensätzen
- Durchführung von Vorverarbeitungsschritten (z. B. Beamforming, Kalibrierung, Entrauschen, Normalisierung) und Einsatz von Datenübersetzungstechniken (z. B. GANs)
- Entwicklung von Shared-Feature-Architekturen mit gemeinsamen Backbones und sensor-spezifischen Head-Modulen
- Auswertung und Visualisierung von Ergebnissen (z. B. Heatmaps, Confusion Matrices, Domain-Shift-Metriken) sowie Formulierung wissenschaftlicher Hypothesen
Veröffentlichung der Ergebnisse auf internationalen Konferenzen
-
Das bringst du mit
- Abgeschlossenes wissenschaftliches Hochschulstudium (Master / Diplom) der Informatik, Elektrotechnik, Mathematik, Physik oder einer anderen relevanten Fachrichtung
- Fundierte Kenntnisse in Deep Learning (insbesondere CNNs, Transformers, Autoencoders) und deren Anwendung auf zeit- und räumlich strukturierte Daten
- Praktische Erfahrung mit Transfer Learning, Domain Adaptation und der Evaluation in komplexen Domänen
- Programmierkenntnisse in Python und C, sowie Erfahrung mit PyTorch oder TensorFlow.
- Kenntnisse in Datenfusion, Multisensor-Integration und Cross-Modal-Architekturen
- Erfahrung mit Docker, CI/CD, Rechnernetzen und Linux-Systemen
Gute Englischkenntnisse und die Fähigkeit, komplexe Forschungsergebnisse klar zu kommunizieren
-
