本文对使用深度神经网络（DNN）进行海洋垃圾检测的问题及相关问题（如图像分类、匹配和检测建议）进行了全面评估，研究结果表明，对于评估任务，DNN 是一种优越的技术，尤其是在匹配和检测建议任务方面具有很大的优势，这对于实践者是有价值的信息。

May, 2019

本文综述了当前基于深度学习的航天器姿态估计方法，比较了混合模块化管道和直接端到端回归方法的算法，在姿态精度、网络架构和模型大小等方面进行了讨论，并探讨了用于训练和测试这些方法的现有单目航天器姿态估计数据集以及通过模拟器和实验室 / 空间照片生成的数据之间的差距和性能下降问题。

May, 2023

利用深度学习从卫星图像中检测船只是海上监视的一种不可或缺的解决方案。然而，将在一个数据集上训练的深度学习模型应用于具有空间分辨率和辐射特征差异的其他数据集时，需要进行许多调整。为了解决这个问题，本文研究了基于包含不同光学图像和雷达与光学数据组合的数据集进行训练的深度学习模型。通过这种方法处理有限数量的训练图像时，深度学习模型的性能是令人满意的。它们可以根据测试的光学图像提高平均精度 5-20%。同样，使用在光学与雷达数据集上训练的深度学习模型可以应用于光学和雷达图像。我们的实验表明，在光学数据集上训练的模型可以用于雷达图像，而在雷达数据集上训练的模型在应用于光学图像时得分非常低。

Mar, 2024

利用深度学习和逼真的渲染技术进行空间交会、对接和空间碎片清理中的六自由度姿态估计，通过提出一种面向方向软分类的深度学习框架，通过在 Unreal 引擎 4 上构建模拟器生成标注图像，且在欧洲航天局的姿态估计竞赛中取得了第三名和第二名的优异成绩。

Jul, 2019

该研究基于卷积神经网络，结合空间，时间和光谱特征，利用多次观测的图像数据中残留信号检测方法，有效提高了外行星探测的精度和召回率。

Jun, 2023

本文提出了一种基于扩散模型的飞行器低光图像增强方法，通过一种数据集收集方案和自动化的物理模拟生成器来对数据进行预处理。我们的方法在图像亮度增强方面表现更好，在图像质量方面与以前的方法相当。

Jun, 2023

本文通过卷积神经网络的端到端目标检测模型，并提出一种通过人为合成数据解决训练数据稀少问题的算法，可以高精度高召回率地解决视频序列中无人机检测问题。

Jun, 2017

20 年来，深度学习技术一直在海洋垃圾问题中得到探索，并且在过去的 5 年中取得了快速发展。该研究提供了 28 项最近和最重要的关于深度学习在海洋垃圾识别中的贡献的全面、最新的总结和分析。交叉引用研究结果表明，YOLO 系列方法在目标检测方面明显优于其他方法，但是有很多受认可的贡献明确表示目前没有可用于机器学习的全面的水下垃圾数据库。我们使用我们自己策划和标记的小型数据集，在二元分类任务上测试了 YOLOv5，发现准确率较低，假阳性率较高，凸显了建立全面数据库的重要性。最后，我们提出了 40 多项未来研究建议和开放性挑战。

Mar, 2024

本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

Sep, 2017

本文报道了一种基于卫星本身所拍摄的地球图像的计算机视觉方法，用以确定与地面站失去联系的卫星的轨道，相较现有的 Gibbs 方法，该方法使初始轨道估计与 Kalman 滤波器进行差分误差校正的性能得到充分提升，并通过比较 ResNet50、ResNet101、VGG19、VGG16、AlexNet 和 CoAtNet4 等各种神经网络的性能进行了进一步的研究。

May, 2023