IceHorizon: A Dataset for Horizon Detection in Ice-Covered Maritime Environments and Comparative Evaluation of Detection Methods

Stellen Sie sich vor, Sie sind der Kapitän eines Schiffes oder vielleicht ein Pilot, der eine Drohne steuert und versucht, durch eine Welt zu navigieren, die wie ein riesiger, gefrorener Spiegel aussieht. In diesem eisigen Reich sind Himmel und Ozean nicht zwei verschiedene Farben; sie sind beide ein blendendes, schimmerndes Weiß. Den „Horizont“ zu finden – jene unsichtbare Linie, an der der Himmel auf das Meer trifft – ist wie der Versuch, einen Geist in einem Schneesturm aufzuspüren. Wenn man diese Linie nicht finden kann, könnte sich Ihr Schiff gefährlich neigen, Ihre Kamera könnte schwindelig werden und Ihr Navigationssystem könnte die Orientierung verlieren. Dies ist das knifflige Rätsel der „Horizonterkennung“ in eisigen Gewässern. Wissenschaftler nutzen spezielle Computertricks, um dieses Problem zu lösen: Einige sind wie Detektive der alten Schule, die nach scharfen Kanten und Linien suchen, während andere wie moderne Künstler sind, die gelernt haben, den Unterschied zwischen Wasser und Himmel zu „sehen“, indem sie tausende von Bildern studiert haben. Aber bis jetzt waren die meisten dieser Computertricks auf sonnige, offene Ozeane trainiert worden, was sie verwirrt und unbeholfen machte, wenn sie mit dem chaotischen, reflektierenden Eis konfrontiert wurden.

Diese Arbeit mit dem Titel „IceHorizon“ begibt sich in diese gefrorene Verwirrung, um zu sehen, welcher Computer-Detektiv am besten darin ist, den Horizont im Eis zu finden. Die Forscher erstellten eine brandneue Bibliothek aus 38 Videos, die sowohl von Schiffen als auch von Drohnen gefilmt wurden und genau zeigen, wie es aussieht, durch eisige Gewässer zu segeln. Dann stellten sie sechs verschiedene Computermethoden auf die Probe: vier, die klassische, regelbasierte Mathematik verwenden (die Detektive der alten Schule), und zwei, die Deep Learning mit diesen Regeln mischen (die Hybrid-Künstler). Sie maßen, wie nah die Schätzung des Computers am echten Horizont lag, wie viel vom Horizont er sehen konnte und wie schnell er arbeitete.

Die Ergebnisse waren ein klarer Sieg für die „Hybrid-Methoden“. Wenn der Computer versuchte, den Horizont in den Schiffs-Videos zu finden, waren die Hybrid-Ansätze bis zu 3,5-mal genauer als die besten der alten Schule. Selbst in den Drohnen-Videos, die viel schwieriger zu bewältigen waren, waren die Hybride 1,6-mal besser. Die Methoden der alten Schule waren zwar sehr schnell, verloren sich aber oft in der Blendung des Eises oder der Reflexion der Wellen und verfehlten manchmal den Horizont komplett oder zeichneten ihn an der falschen Stelle. Die Hybrid-Methoden hingegen waren wie ein Führer, der weiß, wie Eis aussieht; sie konnten die verwirrenden Reflexionen ignorieren und die wahre Linie finden. Interessanterweise funktionierte jede einzelne Methode besser bei den Schiffs-Videos als bei den Drohnen-Videos. Das Drohnenmaterial war einfach zu chaotisch, mit Nebel, Bergen und seltsam gekrümmten Horizonten, die selbst die klügsten Algorithmen verwirrten. Die Arbeit kommt zu dem Schluss, dass wir zwar noch mehr Daten benötigen, um diese Systeme perfekt für Hochflüge mit Drohnen zu machen, aber das Mischen von Deep Learning mit klassischer Linienfindung derzeit der zuverlässigste Weg ist, um unsere Schiffe und Drohnen im gefrorenen Norden stabil zu halten.