Die Detektion und Klassifikation von Schiffen unter Nutzung von Fernerkundungsdaten ist eine der Schlüsselkomponenten in Systemen zur Erfassung der maritimen Lage. Die zunehmende Anzahl von sehr hochauflösenden optischen Satelliten ermöglicht die Bereitstellung von Satellitenbildern in kurzen Wiederholzeiten und eignet sich daher hervorragend für die Überwachung des Seeverkehrs. Dennoch ist die Erkennung von Schiffen in sehr großen Satellitenbildern, welche eine Fläche von mehreren hundert Quadratkilometern abdecken, im Hinblick auf die zeitlichen Anforderungen der Ergebnisbereitstellung in naher Echtzeit, eine große Herausforderung. Der Beitrag beschreibt ein Nahe-Echtzeit-Verfahren zur Schiffsdetektion und Klassifizierung unter Nutzung sehr hoch aufgelöster optischer Satellitenbilder. Die vorgeschlagene Lösung umfasst die wesentlichen Verarbeitungsschritte der Landmaskierung, Objektsuche, -erkennung und Parameterschätzung. Der für das Training der Methode verwendete Datensatz besteht aus mehr als 36 000 Einzelobjekten mit neun verschiedenen Schiffsklassen und wurde unter Nutzung von Satellitenaufnahmen der Mission WorldView und GeoEye-1 erzeugt. Die erreichte Performance hinsichtlich Verarbeitungsgeschwindigkeit und Genauigkeit zeigen das große Potenzial für den Einsatz in maritimen Echtzeitanwendungen.
Schlüsselwörter: Optische Fernerkundung, Schiffsdetektion, Objekterkennung, CNN, Deep Learning