Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB

Situationserkennung und Anomaliedetektion

Situationserkennung und Anomaliedetektion

Bei besonders hohem Datenaufkommen kann es passieren, dass Entscheider auffällige oder sogar sicherheitskritische Situationen übersehen. Als Unterstützung können Verfahren eingesetzt werden, welche räumlich-zeitliche Datensätze automatisch analysieren, um den Entscheidungsträger auf spezifische oder auffällige Situationen hinzuweisen.

Solche Verfahren sind im Bereich der künstlichen Intelligenz angesiedelt. Einerseits können spezifische Situationen unter Einsatz von Expertenwissen beschrieben werden und das resultierende Situationsmodell für die Mustererkennung eingesetzt werden. Andererseits können mit Hilfe von maschinellen Lernverfahren Modelle generiert werden, welche normales Bewegungsverhalten abbilden. Diese können dafür eingesetzt werden, Anomalien zu erkennen.

Ein Anwendungsbereich ist die maritime Domäne, in der ein Entscheider den aktuellen Schiffsverkehr überwacht. Mögliche Verfahren zur Situationserkennung und zur Anomaliedetektion werden in den EU-Projekten MARISA und OCEAN2020 thematisiert.         

 

Publikationen

 

2017
Anneken, Matthias; Fischer, Yvonne ; Beyerer, Jürgen:
A multi-agent approach to model and analyze the behavior of vessels in the maritime domain. In: Herik, Jaap van den (Ed.); Institute for Systems and Technologies of Information, Control and Communication, Setubal: 9th International Conference on Agents and Artificial Intelligence, ICAART 2017. Proceedings. Vol.1: February 24-26, 2017, in Porto, Portugal. SciTePress, 2017, S.200-207.
2016
Anneken, Matthias; Fischer, Yvonne; Beyerer, Jürgen:
Quantitative assessment of anomaly detection algorithms in annotated datasets from the maritime domain. In: Bi, Yaxin (Ed.): Intelligent systems and applications. Extended and selected results from the SAI Intelligent Systems Conference (IntelliSys) 2015: Held on 10-11 November 2015, in London, UK.  Cham: Springer International Publishing, 2016, S.89-107.