Denizdeki Gemileri Tespit Etmek İçin 2.000’den Fazla Görüntü Çifti
Çinli bir askerî araştırma ekibi, gemi tespitine yönelik dünyanın kamuya açık en büyük veri seti olduğunu belirttiği çalışmayı yayımladı. Veri setinde 2.000’den fazla görünür ışık ve kızılötesi görüntü, yaklaşık 20.000 etiketlenmiş örnekle eşleştiriliyor. Çift modlu gemi tespit veri seti (DMSD) adı verilen koleksiyon, araştırmacılara yapay zekâyı zorlu deniz koşullarında gemileri tanıyacak şekilde eğitmek için materyal sunuyor.
İçindekiler
- Denizdeki Gemileri Tespit Etmek İçin 2.000’den Fazla Görüntü Çifti
- Okyanus Tanımayı Neden Zorlaştırıyor?
- Radar Karşı Önlemlerle Karşılaştığında
- Veri Setinde Neler Var?
- Kızılötesi Görüntü Karanlıkta Ne Sağlıyor?
- Hürmüz Boğazı Yakınlarındaki Şubat Ayı İddiası
- Projenin Ardındaki Kurumlar
- Askerî Açıdan Önemli Veriler Neden Kamuya Açılıyor?
- Yayın Araştırmacılar İçin Ne Değiştiriyor?
- Öne Çıkanlar
Araştırma, Ocak 2026’da hakemli Journal of Radars dergisinde yayımlandı. Yantai’deki Deniz Havacılık Üniversitesi, Harbin Mühendislik Üniversitesi ve Çin Bilimler Akademisi Bilgi Teknolojileri Enstitüsü’nden bilim insanları veri setini geliştirdi ve küresel araştırma topluluğunun ücretsiz erişimine açtı.
DMSD, aynı deniz hedeflerine ilişkin iki görünümü bir araya getiriyor: sıradan bir kamerayla kaydedilen görüntü ile kızılötesi kameranın kaydettiği ısı örüntüleri. Bu eşleştirilmiş görüntülerle algoritmaları eğitmek; karanlık, parlama, pus veya başka etkenler bir geminin tanınmasını zorlaştırdığında tespit başarısını artırmayı amaçlıyor.
Olası kullanım alanları arasında gözetleme sistemleri, insansız hava araçları ve füzeler bulunuyor. Bu sistemler için yakında bir gemi bulunduğunu bilmek, görevin yalnızca bir parçası. Özellikle radarın karıştırıldığı, yanıltıldığı veya başka biçimlerde işlevinin zayıflatıldığı durumlarda gemiyi tanımak ve hareket ederken konumunu izlemeyi sürdürmek daha zor.
Bu yayın, gözetleme veya hedefleme faaliyetlerini aksatabilecek tanıma hatalarına odaklanarak deniz savaşında yapay zekâya yatırım yapıldığını gösteriyor. Veri setinin genişliği, araştırmacılara ve savunma teknolojisi geliştiricilerine tespit sistemleri oluşturup karşılaştırabilecekleri daha büyük bir örnek havuzu da sunuyor.
Temel fikir basit: Farklı koşullarda çekilmiş, özenle etiketlenmiş çok sayıda gemi örneğini görmüş bir makine, yeni bir görüntü geldiğinde ne araması gerektiğini öğrenmek için daha fazla malzemeye sahip olur.
Okyanus Tanımayı Neden Zorlaştırıyor?
Güneş ışığının sudan yansıması, optik sensörleri bastıracak kadar güçlü parlamaya yol açabilir. Hızlı hava değişimleri, uzun mesafelerde atmosferik bozulma ve karmaşık arka planlar da görüntülerin kullanışlılığını azaltabilir. Okyanusta, bilgisayarın bir gemiyi çevresinden ayırmasına yardımcı olacak sabit görsel referans noktaları çoğu zaman azdır.
Gemilerin sürekli hareket etmesi de ek bir zorluk yaratır. Konum ve yön değişiklikleri sensörlerin gördüğü görüntüyü değiştirirken hareket, görüntüyü bulanıklaştırabilir. Deniz serpintisi, sis ve pus da netliği daha fazla düşürür. Daha çok karadaki sabit sahnelerle eğitilmiş bir algoritma; hareket, değişen ışık ve büyük ölçüde tekdüze bir su yüzeyinin bir araya geldiği bu koşullarda zorlanabilir.
Gözlem platformu da hareket edebilir. Bir insansız hava aracı, uçak veya uydu gemiyi sürekli değişen açılardan görür. Bu durum, perspektif değişikliklerine ve paralaksa yol açar. Paralaks, gözlemcinin konumu değiştiğinde bir nesnenin görünürde yer değiştirmesidir. Bu etkiler, bir hedeften sonraki gözleme kadar onu izlemeyi zorlaştırır.
DMSD, farklı deniz ve aydınlatma koşullarında çekilmiş, açıklamalı örneklerle bu sorunları ele alıyor. Amaç, denizin ve geminin görünümü değiştikçe de işe yarayan tanıma örüntülerini yapay zekâya öğretmek.
Radar Karşı Önlemlerle Karşılaştığında
Radar gemileri bulmak için etkili bir araç olmayı sürdürüyor; ancak elektronik harp, radardan alınan yansımaları bozabiliyor. Karıştırma sinyali aksatabilir, aldatma ise yanıltıcı bilgi üretebilir. Her iki durumda da geminin konumu veya kimliği konusunda belirsizlik oluşabilir.
Bu nedenle askerî araştırmacılar, farklı türde sensörlerden gelen bilgileri birleştiren sensör füzyonu üzerinde çalışıyor. Bu yaklaşım, sisteme aynı sahayı gözlemlemek için birden fazla yol sunuyor. Kaynaklardan biri daha az kullanışlı hâle gelirse, diğeri tespit veya takibi sürdürmek için gereken bilgiyi sağlayabilir.
Otonom silahlarda tanıma hatalarının ağır sonuçları olabilir. Sistem, çatışmanın son aşamasında manevra yapan bir hedefi kaybedebilir veya bir savaş gemisini sivil bir konteyner gemisinden ayırmakta zorlanabilir. Değişen deniz koşullarını yansıtan eğitim verileri, bu tür hataları azaltmayı amaçlıyor.
DMSD, bu çalışmalar için eşleştirilmiş görünür ışık ve kızılötesi görüntüler sağlıyor. Araştırmacılar, geleneksel bir fotoğraftaki ayrıntıları kızılötesi sensörün sunduğu ısıl bilgilerle ilişkilendiren algoritmalar geliştirmek için veri setinden yararlanabilir.
Veri Setinde Neler Var?
DMSD, aynı gemilerin aynı koşullarda çekilmiş görünür ışık görüntülerini kızılötesi izleriyle eşleştiriyor. Böylece bir öğrenme sistemi, geminin sıradan görüntülerde nasıl göründüğünü ısıl yayılımıyla nasıl göründüğüyle karşılaştırabiliyor.
Çalışmanın sorumlu yazarı ve Çin Bilimler Akademisi araştırmacısı Long Gao, ekibin veri toplama sürecini şöyle anlattı:
Veriler; kıyı ve hava platformlarına monte edilen [sentetik açıklıklı radar veya SAR], radar, görünür ışık kameraları, kızılötesi kameralar ve diğer sensörlerle toplandı.
Veri toplama sürecinde çeşitli sensör türleri kullanıldı; kamuya sunulan çift modlu veri seti ise eşleştirilmiş görünür ışık ve kızılötesi görüntülere odaklanıyor. İki gözlem türü arasındaki ilişkileri öğrenmenin temelini bu eşleştirme oluşturuyor.
Yaklaşık 20.000 etiketlenmiş örnek, denetimli öğrenme için etiketli veriler sağlıyor. Bu yöntemde araştırmacılar yapay zekâ sistemine hem bir görüntüyü hem de beklenen yanıtı gösteriyor; böylece sistem belirli görsel örüntülerin etiketlenmiş bir nesneyle nasıl ilişkili olduğunu öğrenebiliyor.
Her etikette kesin sınırlayıcı kutular ve sınıflandırma etiketleri bulunuyor. Sınırlayıcı kutu, bir görüntüde nesnenin kapladığı alanı işaretliyor. Etiketler ise gemi türleri, çalışma durumları ve yönleri arasında daha ayrıntılı ayrım yapmayı destekliyor.
Örneklerin sayısı ve çeşitliliği, aşırı uyum olarak bilinen bir sorunun da önüne geçmeye yardımcı oluyor. Eğitim verisi küçük olduğunda algoritma gördüğü örneklere fazlasıyla uyum sağlayabilir ve karşılaşmadığı görüntülerde kötü performans gösterebilir. Daha geniş bir koleksiyon, geliştiricilere tanıma modellerini eğitmek için daha çeşitli materyal sunuyor.
Veri setinin ölçeği, eşleştirilmiş görüntüleri ve ayrıntılı etiketleri bir araya getirmesi, aynı deniz tespit sorunları üzerinde çalışan araştırmacılara ortak bir kaynak sağlıyor.
Kızılötesi Görüntü Karanlıkta Ne Sağlıyor?
Kızılötesi kameralar, sıradan kameraların kaydettiği görünür ışığa dayanmak yerine ısıl ışınımı algılıyor. Geleneksel görüntülerin işe yarar ayrıntıları kaybettiği geceleri, ısıl sensörler geminin motorlarından, egzoz sistemlerinden ve gövdesinden yayılan ısıyı daha soğuk suya karşı hâlâ kaydedebiliyor.
Bu özellik, kızılötesi görüntülere deniz gözetleme ve hedeflemede özel bir rol kazandırıyor. Görsel kamuflaj veya düşük görüş, geleneksel yöntemlerle tanımayı zorlaştırdığında da kullanılabiliyor. Veri seti, yapay zekânın bu ısıl örüntüleri sıradan görüntülerle birlikte kullanmasına yardımcı olmayı amaçlayan örnekler sunuyor.
Kızılötesi tespit ayrıca pasif çalışıyor. Radar elektromanyetik sinyaller gönderip geri dönenleri ölçerken kızılötesi sensör, nesnelerden zaten yayılan ışınımı gözlemliyor. Böylece kendi faaliyetini belli eden bir radar sinyali yayınlamadan bilgi toplayabiliyor.
Bu pasif çalışma biçimi, kızılötesi algılamanın tespit edilmesini zorlaştırıyor ve onu etkin radarı hedef alan geleneksel elektronik karıştırma yöntemlerinin dışında bırakıyor. Askerî bir sistem radar müdahalesi sırasında başka bir gözlem yöntemine ihtiyaç duyduğunda kızılötesinin değeri artıyor.
Görünür ışık ve kızılötesi, aynı görev için farklı avantajlar sunuyor. Aydınlatma yeterliyken geleneksel görüntüler bir gemiyi sınıflandırmak için ince ayrıntılar sağlayabiliyor. Görünür görüntünün daha az işe yaradığı karanlıkta, pus veya hafif siste ise kızılötesi tespiti destekleyebiliyor.
Her iki görünümle eğitim, koşullar değiştiğinde veya karşı önlemler sensörlerden birini etkilediğinde sistemlerin takibi sürdürmesine yardımcı olmayı amaçlıyor. Hedef, kesintisiz gözlem sağlamak ve aksi hâlde temasın kaybedilmesine yol açabilecek geçişlerde bir sensör türünden gelen bilgiyi diğeriyle desteklemek.
Zaman baskısı altında çalışan otonom silahlar için bu süreklilik önem taşıyor; çünkü angajman kararları insan müdahalesi olmadan verilebilir. Eşleştirilmiş yaklaşım, hedeflemeye gereken bilgiyi korurken sensör türleri arasındaki geçişi desteklemeyi amaçlıyor.
Hürmüz Boğazı Yakınlarındaki Şubat Ayı İddiası
İran’ın şubat ayında Hürmüz Boğazı yakınlarında USS Abraham Lincoln uçak gemisini başarıyla vurduğunu öne sürmesi, deniz hedeflemesinin taşıdığı askerî riskleri gözler önüne serdi. Washington iddiayı reddederek söz konusu füze veya insansız hava araçlarının hedeflerine yaklaşmadığını söyledi.
Olay, bir deniz gücüne doğru silah göndermekle hareket hâlindeki bir gemiye hassas biçimde yöneltmek arasındaki farkı gündeme getirdi. Hedefin doğru biçimde teşhis edilmesi ve terminal güdüm, yani silah hedefe yaklaşırken gereken son yönlendirme, yoğun deniz trafiğinin bulunduğu bir ortamda hâlâ zor görevler.
Hürmüz Boğazı’ndan dar sularda küresel LNG ve petrol sevkiyatının yaklaşık üçte biri geçiyor. Ticari trafik, yakın kıyı şeritleri ve çevresel etkenler, tek bir gemiyi seçip izlemeye çalışan sistemler için karmaşık bir ortam oluşturuyor.
Bu koşullarda doğru tanıma birbiriyle bağlantılı iki amaca hizmet ediyor. Askerî sistemin hedeflenen gemiyle temasını sürdürmesine yardımcı olurken savaş gemilerini sivil gemilerden ayırmayı da sağlıyor. Hatalar tarafsız gemileri tehlikeye atabilir ve istenmeyen bir tırmanmaya yol açabilir.
Bu gelişmeler, veri setinin yayımlanmasını deniz saldırısının başarısına ilişkin daha sonraki bir anlaşmazlıkla aynı döneme yerleştiriyor:
- Ocak 2026: DMSD araştırması Journal of Radars dergisinde yayımlandı. Çalışmada 2.000’den fazla eşleştirilmiş görüntü ve yaklaşık 20.000 etiketlenmiş örnek tanıtıldı.
- Şubat 2026: İran, Hürmüz Boğazı yakınlarında USS Abraham Lincoln’e başarılı bir saldırı düzenlediğini öne sürdü. Washington, füzelerin veya insansız hava araçlarının gemiye yaklaşmadığını söyledi.
Veri setinin tasarımı ve yayımlanması, eğitimde kullanılabileceğini ortaya koyuyor; ancak operasyonel bir silah sisteminde kullanılacağı tarihe ilişkin bilgi verilmedi. Veri setinin önemi, deniz gözetleme ve saldırı sistemlerinin çözmesi gereken tanıma ve takip sorunlarında yatıyor.
Projenin Ardındaki Kurumlar
Deniz Havacılık Üniversitesi, Çin’in askerî üniversite sistemi içinde faaliyet gösteriyor. Çin Halk Kurtuluş Ordusu Donanması personelini eğitiyor ve deniz havacılığına yönelik teknolojiler geliştiriyor. Bu nedenle üniversitenin projeye katılımı, hava araçlarıyla gözlem ve deniz operasyonları açısından doğrudan önem taşıyor.
Harbin Mühendislik Üniversitesi, su altı akustiği ve deniz mühendisliği alanlarındaki kurumsal birikimini projeye taşıyor. Çin Bilimler Akademisi ise ulusal savunma önceliklerini destekleyen temel araştırmalar yürütüyor; Bilgi Teknolojileri Enstitüsü de bu projede yer alıyor.
İş birliği, askerî ve akademik araştırmaları tek bir çalışmada buluşturuyor. Kurumların niteliği, gemileri tespit edip izlemeye yönelik daha geniş çalışmaların yanı sıra insansız hava araçları ve hassas vuruş sistemleri gibi uygulamalara da işaret ediyor.
Araştırmanın açık biçimde yayımlanması, Çin’in savunma araştırmalarında daha geniş bir eğilimle de örtüşüyor: Teknik gelişmeler, yerli savunma sanayisi için ortak yöntemlerin oluşturulmasına katkı sağlarken geliştirme sürecini hızlandırmak üzere erişime açılıyor. DMSD, araştırmacılara algoritmalarını eğitip değerlendirebilecekleri ortak bir koleksiyon sunuyor.
Askerî Açıdan Önemli Veriler Neden Kamuya Açılıyor?
Kamuya açık erişim, sivil araştırmacıların da savunma uzmanlarıyla aynı tespit sorunları üzerinde çalışmasını sağlıyor. Akademik ortamda geliştirilen bir algoritmadaki iyileştirmeler, denizcilik yapay zekâsında kullanılabilecek yöntemlerin genel havuzuna katkıda bulunabilir.
Veri setinin yayımlanması aynı anda birden fazla stratejik amaca hizmet edebilir. Deniz teknolojilerinde yapay zekâ geliştirme sürecini hızlandırabilir, Çin araştırma yöntemlerinin uluslararası ölçüt olarak kullanılmasını teşvik edebilir ve Çin kurumlarını deniz tespiti alanındaki iş birliğinin merkezine taşıyabilir.
Ortak bir veri seti, teknik açıdan da bir başlangıç noktası oluşturuyor. Araştırmacılar aynı temel koleksiyonu kullanarak farklı modeller geliştirebilir; böylece veri yapısı, sorunun nasıl incelendiğinde kalıcı bir rol oynar.
Olası uygulamalar arasında otonom gözetleme dronları, gemileri vurmak üzere tasarlanmış hassas füzeler ve akıllı keşif sistemleri bulunuyor. Bu uygulamalar, elektronik müdahalenin geleneksel hedeflemeyi aksattığı veya GPS’in kullanılamadığı ortamlarda önem taşıyor.
Daha geniş askerî ilgi, karşıt güçleri bir bölgenin dışında tutmayı veya orada faaliyet gösterme özgürlüklerini kısıtlamayı amaçlayan stratejilerle bağlantılı. Bu tür stratejiler kısmen, diğer gemilerin arasındaki belirli savaş gemilerini bulmaya ve operasyonel kararları destekleyecek yeterli bilgiyi korumaya dayanıyor.
Caydırıcılık ve planlama açısından, hareket hâlindeki bir hedefi güvenilir biçimde tanımak, ona silah gönderebilmek kadar önemli. DMSD, bu tanıma adımının arkasındaki eğitim verilerine odaklanıyor; açık bir gündüz görüntüsünden karanlık ya da değişen deniz koşullarının engellediği bir sahneye geçiş de bu kapsama giriyor.
Yayın Araştırmacılar İçin Ne Değiştiriyor?
DMSD, geliştiricilerinin önceki kamuya açık gemi tespit veri setlerinden daha büyük olduğunu belirttiği, araştırma topluluğunun ücretsiz erişebileceği bir koleksiyon sunuyor. 2.000’den fazla eşleştirilmiş görüntü ve yaklaşık 20.000 etiketlenmiş örnek, hem örnek sayısını hem de görünür ışık ve ısıl gözlemler arasındaki ilişkiyi öne çıkarıyor.
Araştırma sorunu somutluğunu koruyor: Gemiyi bulmak, ilgili farklılıkları belirlemek ve gemi, sensör ve çevre değişirken onu izlemeyi sürdürmek. Kesin etiketler ilk adımların öğretilmesine yardımcı olurken eşleştirilmiş gözlemler, tamamlayıcı sensör bilgilerinden yararlanmaya yönelik çalışmaları destekliyor.
Askerî önem de aynı pratik gerekliliklerden kaynaklanıyor. Gözetleme platformlarının teması koruması, keşif sistemlerinin işe yarar teşhis bilgisi sağlaması ve silahların angajman sırasında doğru bilgiye sahip olması gerekiyor. Veri seti, bu görevlerin ardındaki algoritmaları geliştirmek için ortak bir temel sunuyor.
Öne Çıkanlar
- Çinli araştırmacılar, 2.000’den fazla eşleştirilmiş görünür ışık ve kızılötesi görüntü ile yaklaşık 20.000 etiketlenmiş örnek içeren DMSD’yi yayımladı.
- Ekip, veri setini gemi tespitine yönelik kamuya açık dünyanın en büyük veri seti olarak tanımlıyor.
- Araştırma Ocak 2026’da Journal of Radars dergisinde yayımlandı ve askerî ve akademik üç kurumu içeriyor.
- Koleksiyon; parlama, karanlık, hava değişimleri ve radar müdahalesi sırasında gemilerin tanınmasına yönelik çalışmaları destekliyor.
- Olası kullanım alanları arasında gözetleme dronları, keşif sistemleri ve gemileri vurmak üzere tasarlanmış hassas füzeler bulunuyor.
- İran, şubat ayında Hürmüz Boğazı yakınlarında USS Abraham Lincoln’e saldırdığını öne sürdü; Washington, füzelerin veya insansız hava araçlarının gemiye yaklaşmadığını söyledi.
- Kamuya açık erişim, araştırmacılara denizcilik yapay zekâsını geliştirmek ve tespit yöntemlerini karşılaştırmak için ortak bir kaynak sağlıyor.






