China stellt weltweit größten Datensatz zur Schiffserkennung vor, um KI für die Seekriegsführung zu verbessern

Ein neues Arsenal für maritime künstliche Intelligenz

Ein chinesisches militärisches Forschungsteam hat einen Datensatz zur Schiffserkennung veröffentlicht, den es als weltweit größten öffentlich verfügbaren seiner Art bezeichnet. Die Sammlung könnte grundlegend verändern, wie künstliche Intelligenz Schiffe auf See erkennt und verfolgt. Der im Januar in der begutachteten Fachzeitschrift Journal of Radars veröffentlichte Datensatz zur dualmodalen Schiffserkennung (DMSD) umfasst mehr als 2.000 Bildpaare und fast 20.000 annotierte Objekte. Damit bietet er ein beispielloses Trainingsinstrument für Drohnen, Raketen und Überwachungssysteme, die unter schwierigen maritimen Bedingungen eingesetzt werden. Das Forschungsteam besteht aus Wissenschaftlern der Naval Aeronautical University in Yantai, der Harbin Engineering University und des Instituts für Computertechnologie der Chinesischen Akademie der Wissenschaften. Es hat die Sammlung der weltweiten Forschungsgemeinschaft kostenlos zugänglich gemacht. Die Veröffentlichung signalisiert erhebliche Investitionen in KI-gestützte Fähigkeiten für die Seekriegsführung, insbesondere mit Blick auf die anhaltenden technischen Schwierigkeiten, die die Erkennung maritimer Ziele seit Langem beeinträchtigen.

Der Datensatz adressiert eine kritische Schwachstelle moderner Systeme für den Seekampf: die Unfähigkeit, Schiffe unter umkämpften Bedingungen zuverlässig zu erkennen und zu verfolgen, wenn herkömmliche Radarsysteme Störungen, Täuschungsmaßnahmen oder Leistungseinbußen erleiden. Durch die Kombination von Bildern im sichtbaren Lichtspektrum mit Infrarot-Wärmesignaturen liefert die DMSD-Sammlung das Ausgangsmaterial, das für das Training von Algorithmen des maschinellen Lernens benötigt wird. Diese sollen Ziele auch bei Dunkelheit, Dunst und elektronischen Störungen im Blick behalten können. Der Umfang der Veröffentlichung hebt sie von früheren Datenbanken zur maritimen Erkennung ab. Sie bietet Forschern und Rüstungsunternehmen gleichermaßen die umfangreichen, hochwertigen Trainingsdaten, die für die Entwicklung autonomer Zielerfassungssysteme der nächsten Generation erforderlich sind.

Maritime Umgebungen stellen automatisierten Erkennungssystemen besondere Herausforderungen, die Algorithmen zur Erkennung von Objekten an Land kaum begegnen. Von Wasseroberflächen reflektiertes Sonnenlicht erzeugt Blendungen, die optische Sensoren beeinträchtigen, während rasch wechselnde Wetterlagen und atmosphärische Verzerrungen über große Entfernungen auf See die Bildschärfe mindern. Unübersichtliche Hintergründe ohne eindeutige Bezugspunkte erschweren zusätzlich die Unterscheidung von Schiffen und ihrer Umgebung. Unter diesen Bedingungen ist es oft wesentlich einfacher, die ungefähre Position eines Marineziels zu erreichen, als es eindeutig zu identifizieren und so präzise zu verfolgen, wie es für einen Waffeneinsatz erforderlich ist. Der DMSD-Datensatz zielt gezielt auf diese Herausforderungen ab: Er enthält annotierte Beispiele aus unterschiedlichen Seegangs- und Lichtverhältnissen und ermöglicht es KI-Systemen, robuste Erkennungsmuster zu erlernen, die trotz wechselnder Umgebungsbedingungen bestehen bleiben.

Die anhaltende Herausforderung, Schiffe auf See zu finden

Die Erkennung von Schiffen auf See ist mit weitaus größeren technischen Hürden verbunden als die Objekterkennung an Land. Maritime Umgebungen werden durch von Wasseroberflächen reflektiertes Sonnenlicht, rasch wechselnde Wetterbedingungen, atmosphärische Verzerrungen über große Entfernungen und unübersichtliche Hintergründe ohne eindeutige Bezugspunkte geprägt. Diese Faktoren beeinträchtigen systematisch die Genauigkeit optischer und elektronischer Klassifizierungssysteme. Die Schwierigkeit, bewegliche Marineziele unter umkämpften Bedingungen zuverlässig zu identifizieren, gehört zu den hartnäckigsten Problemen der modernen Militärtechnik. Anders als unbewegliche Ziele an Land sind Schiffe in einem dynamischen Medium ständig in Bewegung. Dadurch entstehen Bewegungsunschärfen, und ihre Ausrichtung zu den Sensoren ändert sich fortlaufend. Gischt, Nebel und Dunst verschlechtern die Bildqualität zusätzlich, während die gleichförmige Erscheinung der Meeresoberfläche automatisierten Systemen nur wenige visuelle Hinweise bietet, um Schiffe von ihrer Umgebung zu unterscheiden. Auch die Bewegung der beobachtenden Plattform, ob Drohne, Flugzeug oder Satellit, erschwert die Verfolgung zusätzlich. Es entstehen Parallaxenfehler und Perspektivverschiebungen, die Algorithmen verwirren, die mit stabilen Aufnahmen von Landflächen trainiert wurden.

Herkömmliche Radarsysteme sind zwar leistungsfähig, weisen in modernen umkämpften Umgebungen jedoch zunehmende Schwachstellen auf. Elektronische Kampfführung kann Radarsignale stören, täuschen oder beeinträchtigen und so Unsicherheit über Standort und Identität eines Ziels schaffen. Diese Einschränkung hat Militärforscher dazu veranlasst, sich verstärkt mit der Fusion mehrerer Sensoren zu befassen, bei der verschiedene Erfassungsmethoden kombiniert werden, um redundante Fähigkeiten zur Zielerfassung zu schaffen. Der DMSD-Datensatz trägt diesem Bedarf unmittelbar Rechnung: Er stellt Trainingsdaten bereit, die den realen Schwankungen ähneln, mit denen KI-Systeme im Einsatz zurechtkommen müssen, um zuverlässig zu funktionieren. Ohne solche umfassenden Trainingsressourcen besteht die Gefahr, dass autonome Waffensysteme genau dann versagen, wenn sie am dringendsten gebraucht werden: Sie könnten ein Kriegsschiff nicht von einem zivilen Containerschiff unterscheiden oder ein manövrierendes Ziel während eines entscheidenden Einsatzzeitfensters aus dem Blick verlieren.

Wie der DMSD-Datensatz neue Möglichkeiten eröffnet

Der DMSD-Datensatz verfolgt einen dualmodalen Ansatz: Er verknüpft Aufnahmen derselben Schiffe im sichtbaren Lichtspektrum und im Infrarotbereich, die unter identischen Bedingungen entstanden sind. So können Algorithmen des maschinellen Lernens Zusammenhänge zwischen dem Erscheinungsbild von Schiffen auf herkömmlichen Fotografien und ihren Wärmesignaturen erfassen. Das ermöglicht robustere Erkennungsmodelle, die in unterschiedlichen Einsatzszenarien funktionieren. Long Gao, korrespondierender Autor der Studie und Forscher an der Chinesischen Akademie der Wissenschaften, erläuterte die umfassende Datenerfassungsmethode des Teams.

Die Daten wurden mit [synthetic aperture radar or SAR], Radar, Kameras für sichtbares Licht, Infrarotkameras und weiteren Sensoren erfasst, die auf landgestützten und luftgestützten Plattformen montiert waren.

Der Umfang der Annotierungsarbeit hebt diese Veröffentlichung von früheren Datenbanken zur maritimen Erkennung ab. Mit fast 20.000 annotierten Objekten in mehr als 2.000 Bildpaaren bietet der Datensatz die nötige Menge und Vielfalt, um Deep-Learning-Modelle zu trainieren, ohne die bei kleineren Sammlungen häufigen Probleme mit Überanpassung. Jede Annotation enthält präzise Begrenzungsrahmen und Klassifizierungskennzeichnungen. Damit können überwachte Lernalgorithmen die fein abgestuften Unterscheidungsfähigkeiten entwickeln, die nötig sind, um Schiffstypen, Betriebszustände und Ausrichtungen voneinander zu unterscheiden. Besonders bedeutsam sind die Infrarotaufnahmen für Einsätze bei Nacht: Kameras im sichtbaren Spektrum sind dann wirkungslos, während Wärmesensoren weiterhin die Wärmesignaturen von Motoren, Abgasanlagen und Schiffsrümpfen vor dem kühleren Hintergrund des Wassers erfassen können. Diese Wärmedaten bleiben auch dann zuverlässig, wenn Schiffe versuchen, sich visuell zu tarnen, oder unter Bedingungen operieren, die eine optische Identifizierung unmöglich machen.

Der Infrarotvorteil in umkämpften Umgebungen

Infrarotsensoren bieten in Gefechtssituationen hoher Intensität taktische Vorteile gegenüber aktiven Radarsystemen. Anders als Radar, das erkennbare elektromagnetische Signale aussenden muss, um Ziele zu orten, arbeiten Infrarotsysteme passiv: Sie messen die natürliche Wärmestrahlung von Objekten, ohne selbst Signale auszusenden. Dadurch bleibt die Infraroterfassung unauffällig und ist gegen herkömmliche elektronische Störmaßnahmen geschützt, die aktive Sensoren täuschen sollen. Die Infrarotaufnahmen im DMSD-Datensatz adressieren ein kritisches Verwundbarkeitsfenster in der Seekriegsführung: die Nachtstunden und Phasen eingeschränkter Sicht, die bislang Schutz vor optisch gesteuerten Waffen boten.

Die Kombination aus sichtbarem Licht und Infrarot schafft einander ergänzende Fähigkeiten, die die Grenzen der jeweiligen Methode ausgleichen. Bei ausreichender Beleuchtung liefert sichtbares Licht Details zur Klassifizierung von Schiffen, während Infrarot Dunkelheit, Dunst und leichten Nebel durchdringt und die Erfassung aufrechterhält, wenn optische Systeme ausfallen. Indem KI-Zielerfassungssysteme mit gepaarten Beispielen aus beiden Spektralbereichen trainiert werden, lernen sie, Schiffe auch dann weiterzuverfolgen, wenn ein Sensortyp aufgrund der Umgebungsbedingungen oder von Gegenmaßnahmen den Kontakt verliert. Diese Redundanz ist für autonome Waffensysteme unerlässlich, die in zeitkritischen Situationen ohne menschliches Eingreifen über einen Einsatz entscheiden müssen. Der dualmodale Ansatz ermöglicht einen nahtlosen Wechsel zwischen Sensortypen und gewährleistet so eine kontinuierliche Zielerfassung, die bei wechselnden Umgebungsbedingungen sonst unterbrochen würde.

Konkrete Folgen: Der Vorfall in der Straße von Hormus

Wie wichtig verbesserte Fähigkeiten zur Schiffserkennung sind, zeigte sich im Februar deutlich: Iran behauptete, den Flugzeugträger USS Abraham Lincoln nahe der Straße von Hormus erfolgreich getroffen zu haben. Washington wies die Behauptung zurück und erklärte, die beteiligten Raketen oder Drohnen seien dem anvisierten Ziel nicht nahe gekommen. Der Vorfall verdeutlichte die Lücke zwischen dem Abschuss von Waffen in die ungefähre Richtung von Marinezielen und deren eindeutiger Identifizierung sowie der präzisen Endphasensteuerung, die für einen tatsächlichen Treffer erforderlich ist. Er zeigte, wie selbst entschlossene Gegner mit leistungsfähigen Waffensystemen Schwierigkeiten haben, das letzte Problem der Zielerfassung in maritimen Umgebungen zu lösen, in denen unübersichtliche Verkehrsströme und Umwelteinflüsse für Verwirrung sorgen.

Die Straße von Hormus gehört zu den strategisch bedeutendsten maritimen Engpässen der Welt. Fast ein Drittel der weltweiten LNG- und Öllieferungen wird durch ihre schmalen Gewässer transportiert. Wie schwierig es ist, sich bewegende Schiffe in diesem dicht befahrenen Gebiet mit seinem zivilen Verkehr und den komplexen Küstenlinien präzise anzuvisieren, verdeutlicht die geopolitische Bedeutung von Datensätzen wie DMSD. Während Staaten immer ausgefeiltere Strategien zur Abwehr und Zugangsverweigerung entwickeln, wird die zuverlässige Identifizierung einzelner Kriegsschiffe im zivilen Verkehr zu einem entscheidenden Faktor für Abschreckung und Einsatzplanung. Angesichts der anhaltenden Spannungen in der Region und der nachgewiesenen Schwierigkeiten, manövrierende Großkampfschiffe auf See anzugreifen, erhält die Veröffentlichung des Datensatzes im Januar zusätzliches Gewicht. Eine präzise Unterscheidung zwischen militärischen und zivilen Schiffen verhindert eine unbeabsichtigte Eskalation und stellt zugleich sicher, dass Abwehrsysteme tatsächliche Bedrohungen statt Täuschkörper oder neutrale Handelsschiffe bekämpfen.

Militärische Anwendungen und strategische Folgen

Die institutionelle Zugehörigkeit des Forschungsteams gibt deutliche Hinweise auf die vorgesehenen Einsatzbereiche des Datensatzes. Die Naval Aeronautical University gehört zum militärischen Hochschulsystem Chinas, bildet Personal für die Marine der Volksbefreiungsarmee aus und entwickelt Technologien für den Einsatz der Marineflieger. Die Harbin Engineering University verfügt über starke Forschungsbereiche in der Unterwasserakustik und Meerestechnik, während die Chinesische Akademie der Wissenschaften Grundlagenforschung betreibt, die den Prioritäten der nationalen Verteidigung dient. Die Zusammenarbeit zwischen akademischen und militärischen Einrichtungen spiegelt ein umfassenderes Muster der chinesischen Verteidigungsforschung wider: Die offene Veröffentlichung technischer Fortschritte soll Innovationen beschleunigen und zugleich technische Standards für die heimische Verteidigungsindustrie etablieren. Die Beteiligung gerade dieser Einrichtungen deutet auf einen besonderen Schwerpunkt bei Anwendungen für unbemannte Luftfahrzeuge und Präzisionsschlagsysteme hin.

Analysten zufolge könnte Peking mit der öffentlichen Bereitstellung des DMSD-Datensatzes mehrere strategische Ziele zugleich verfolgen. Die Veröffentlichung als Open Source beschleunigt die Entwicklung KI-gestützter Technologien für die Seekriegsführung, indem sie zivilen Forschern ermöglicht, zur Verbesserung von Erkennungsalgorithmen beizutragen. Zugleich trägt dieser Ansatz dazu bei, chinesische technische Standards und Forschungsmethoden als globale Maßstäbe für maritime KI-Anwendungen zu etablieren. Der Datensatz unterstützt insbesondere die Entwicklung autonomer Überwachungsdrohnen, präziser Anti-Schiff-Raketen und intelligenter Aufklärungssysteme, die auch ohne GPS oder in elektronisch umkämpften Umgebungen zuverlässig operieren können, in denen herkömmliche Navigations- und Zielerfassungssysteme beeinträchtigt sind. Indem China die weltweite Zusammenarbeit auf dieser konkreten technischen Grundlage fördert, positioniert es sich als zentraler Akteur bei der künftigen Entwicklung maritimer KI und behält zugleich die Kontrolle über die zugrunde liegende Datenarchitektur.

Die wichtigsten Punkte

• Ein chinesisches militärisches Forschungsteam hat den DMSD-Datensatz veröffentlicht. Er enthält mehr als 2.000 Bildpaare von Schiffen im sichtbaren und infraroten Spektrum sowie fast 20.000 Annotationen.
• Der Datensatz unterstützt die Entwicklung von KI-Zielerfassungssystemen für Drohnen, Raketen und Überwachungsplattformen, die nachts oder in Umgebungen mit beeinträchtigtem Radar operieren.
• Forscher der Naval Aeronautical University, der Harbin Engineering University und der Chinesischen Akademie der Wissenschaften führten das Projekt an, dessen Ergebnisse im Journal of Radars veröffentlicht wurden.
• Die dualmodale Erkennung kombiniert Details im sichtbaren Lichtspektrum mit Infrarotfähigkeiten, um Herausforderungen wie Blendung, schlechtes Wetter und Dunkelheit zu bewältigen.
• Die öffentliche Veröffentlichung folgt der chinesischen Strategie, militärisch relevante KI-Forschung als Open Source bereitzustellen, um Innovationen zu beschleunigen und technische Standards zu etablieren.
• Die Erkennung maritimer Ziele bleibt technisch anspruchsvoll, wie jüngste Vorfälle mit Behauptungen über Angriffe auf Schiffe der US-Marine zeigen.