ECHTZEIT-INTELLIGENTES TURM-TRACKING-SYSTEM UNTER VERWENDUNG LEICHTGEWICHTIGER CNNs

Die vorliegende Arbeit untersucht das Design, die Entwicklung und die Bewertung eines intelligenten Echtzeit-Turm-Tracking-Systems, das leichtgewichtige Deep-Learning-Modelle für die automatisierte Verteidigungsüberwachung einsetzt. Es wird erläutert, wie moderne Kampfumgebungen schnellere und präzisere Bedrohungserkennungssysteme erfordern, die mit minimalem menschlichem Eingriff arbeiten können. Die Arbeit konzentriert sich auf die Anwendung effizienter Computer-Vision-Techniken, insbesondere YOLO-basierter faltender neuronaler Netze (CNNs), um mehrere Ziele wie Drohnen, Fahrzeuge und Personal in dynamischen Szenen zu erkennen und zu verfolgen. Besonderes Augenmerk liegt auf dem Einsatz dieser Modelle auf stromsparenden Edge-Plattformen, wobei Herausforderungen in Bezug auf Latenz, Rechenkapazitäten und Zuverlässigkeit adressiert werden. Das Buch erörtert auch die Erstellung und Nutzung synthetischer Simulationsumgebungen zum Trainieren und Validieren von Modellen, wenn reale militärische Daten begrenzt sind. Durch experimentelle Analysen und Leistungsbewertungen wird demonstriert, wie Modelloptimierung, Datenaustausch und Auflösungsskalierung die Erkennungsgenauigkeit verbessern und gleichzeitig den Echtzeitbetrieb aufrechterhalten. Insgesamt bietet die vorgeschlagene Arbeit einen praktischen und technischen Leitfaden für den Aufbau KI-gesteuerter Überwachungssysteme.