Käesoleva doktoritöö eesmärgiks on disainida ja luua adaptiivne töötlusahel, et parandada objektituvastuse ja objektide hindamise sooritusvõimet ebasoodsates ilmastiku- ja keskkonnatingimustes. Esialgse süstemaatilise kirjanduse ülevaate tagajärjel tuvastati kolm peamist uurimislünka, mille põhjal tuletatud küsimused juhtisid avaldatud publikatsioonide suunda. Peamised doktoritöö panused hõlmavad masinõppemudelite sidumist andmepõhiste meetoditega. Loodud lahendus on arvutuslikult kerge, sobides madala voolutarbega piiratud sardriistvarale.
Töö rõhutab ka avatud andmestike olulisust, mille puudumine või kättesaadavus takistab uute lahenduste loomist, testimist ja valideerimist. Antud uurimustöö käigus loodi kaks andmekogu, millest üks oli suunatud mageveekalade tuvastamiseks ja hindamiseks. Teine andmestik oli suunatud erinevate sõidukitüüpide tuvastamiseks.
Võrreldes olemasolevate meetoditega, pakub käesolev doktoritöö universaalset lahendust, mida saab rakendada nii maismaal kui ka veealustes keskkondades. Töö tulemused aitavad põhjalikumalt aru saada, kuidas ilmastik ja erinevad keskkonnatingimused mõjutavad süsteemi sooritusvõimet, sillutades teed uutele meetoditele tulevastes teadusuuringutes.

Doktoritöö on avaldatud Tehnikaülikooli raamatukogu digikogus

Juhendajad: kaasprofessor tenuuris Jeffrey Andrew Tuhtan ning vanemteadur Mairo Leier (TalTech)

Oponendid:

•  professor Matteo Fumagalli (Taani Tehnikaülikool, Taani)
• professor Katharina Bensing (Darmstadti Tehnikaülikool), Saksamaa)