Die Masterarbeit zielt darauf ab, ein Deep Learning-Modell zu entwickeln, das die Sichtbarkeit von Objekten auf Pixel-Ebene schätzt. Dabei wird ein Convolutional Neural Network (CNN) verwendet, das verschiedene Bildmerkmale wie Leuchtdichtebilder, Kantenkontrastkarten und Aufmerksamkeitskarten berücksichtigt. Ein zentraler Bestandteil der Arbeit ist die Entwicklung eines Workflows zur Sichtbarkeitslabelung von Bildern sowie die Erweiterung einer bestehenden CNN-Architektur, um präzise Sichtbarkeitsvorhersagen zu ermöglichen.

Im Rahmen dieser Masterarbeit wird ein bestehender Ansatz zur Schätzung der menschlichen Sichtbarkeit auf Basis von Leuchtdichtebildern weiterentwickelt. Der Fokus liegt auf der Kontrastsensitivität im mesopischen Bereich und der Berücksichtigung der Exzentrizität von Objekten in Verkehrsszenen. Ziel ist es, das Modell zu erweitern, um eine pixelgenaue Schätzung der Sichtbarkeit zu ermöglichen, die sowohl die Exzentrizität von Objekten als auch unterschiedliche Umgebungsleuchtdichten berücksichtigt. Der bestehende Computer Vision-Algorithmus wird dabei zur Verarbeitung von Leuchtdichtebildern, Kantenerkennung und der Anwendung von Kontrastsensitivitätsfunktionen (CSF) genutzt. In der Arbeit werden Lösungen zur Verbesserung der Modellgenauigkeit und Anpassung der CSF für den peripheren Bereich und unterschiedliche Lichtverhältnisse erarbeitet.

In der Masterarbeit wird untersucht, wie unterschiedliche urbane Szenen und Objekte die Objektdetektion beeinflussen. Dazu wird ein Detektionstest entwickelt, der verschiedene Objekte in einer urbanen Umgebung simuliert. Ziel ist es, die Detektionsschwellen und die Sichtbarkeit von Objekten unter verschiedenen Szenarien zu bestimmen und die Dynamik von Passanten zu berücksichtigen. Die Simulation erfolgt in Unreal Engine 5 (UE5), um eine realistische, kontrollierbare und wiederholbare Testumgebung zu schaffen.