SPIN: 航天器图像导航
我们提出了一种生成合成图像数据的方法,用于语义分割,为其他任务提供泛化能力,并提供由无人驾驶宇宙飞船的二维单眼图像组成的原型合成图像数据集,以便进一步研究自主空间飞行器汇合问题。我们在这些合成数据上展示了强的基准结果(Sørensen-Dice 系数为 0.8723),表明训练良好性能的图像分割模型对此任务是可行的,特别是如果目标航天器及其配置已知。
Nov, 2022
本文介绍了具有特定重点的下一代航天器姿态估计数据集,包括用于训练的 6 万个合成图像和由测试床拍摄的 9531 个具有准确和最大多样化姿态标签的硬件在环图像,旨在评估和比较基于合成图像训练的空间机器学习模型的鲁棒性。
Oct, 2021
本文介绍了一种用于非合作航天器姿态估计的 Spacecraft Pose Network (SPN) 方法, 基于单目视觉,无需手工特征提取和仅使用一张灰度图像即可确定相机与航天器之间的姿态。SPN 方法使用一个卷积神经网络,在检测航天器的 2D 边界框的基础上,用三个分支来求解姿态和位置估计,并生成了 Spacecraft PosE Estimation Dataset (SPEED) 数据集,仅用合成图像训练的 SPN 方法能够在实际相机图像上产生角度级姿态误差和 cm 级位置误差。
Jun, 2019
本论文提出 SPARK 数据集作为一种新颖的空间物体多模态图像数据集,为太空态势感知中的物体识别做出了重要贡献,通过提供多种不同的轨道场景的感应条件,为空间环境下的目标识别、分类及检测算法的开发提供了具有挑战性的基准测试数据集。
Apr, 2021
近年来,对于在轨交会、对接和接近操作等自主性的需求不断增加,因此对基于深度学习的航天器姿态估计技术越来越感兴趣。然而,由于真实目标数据的获取有限,算法通常使用合成数据进行训练,并应用于实际领域,导致性能下降。最新的方法采用域自适应技术来缓解这个问题。在寻找可行解决方案的过程中,已经在过去研究中探索了事件感知,并证明了事件传感器可以减少模拟和真实世界场景之间的领域差距。事件传感器在硬件和软件方面近年来取得了显著进展。此外,与 RGB 传感器相比,事件传感器的特性在航天应用中提供了几个优势。为了进一步训练和评估基于深度学习的模型,我们介绍了一个新的数据集 SPADES,其中包含在受控实验室环境中获取的真实事件数据和使用相同相机内参的模拟事件数据。此外,我们提出了一种有效的数据过滤方法,以提高训练数据的质量,从而增强模型性能。此外,我们引入了一种基于图像的事件表示方法,优于现有的表示方法。我们对不同事件表示、事件过滤策略和算法框架进行了多方面的基准评估,并总结了结果。该数据集将在此 http URL 上提供。
Nov, 2023
本文提出了一种基于卷积神经网络的单目位姿估计系统,结合基于 Blender 的合成数据生成方案,能够从纯合成训练数据泛化到北美洲猫头鹰飞船的真实空间图像,并在低功耗硬件上实现实时性。
Jan, 2021
该研究提出了 Spacecraft Pose Network v2(SPNv2),是一个多尺度的卷积神经网络,通过在合成图像上进行数据增强而联合训练,可以实现对具有不同视觉特征的图像域进行非合作卫星的姿态估计。与此同时,该研究还引入了 ODR(Online Domain Refinement)技术,通过自监督熵最小化来在线优化 SPNv2 的统一参数,进一步提高了网络在没有姿态标签和计算开销最小的情况下在目标图像领域的性能。
Mar, 2022
提出了一种基于 SPIN 模块和金字塔网络的道路识别方法,该方法可以从卫星图像中高效且准确地提取出道路信息,并且在训练时收敛速度快。
Sep, 2021
我们介绍了一个新的高分辨率、高帧率的立体视频数据集 SPIN,用于跟踪和动作识别,在乒乓球比赛中进行。数据集包括 53 小时的训练数据和 1 小时的测试数据,并针对该数据集介绍了几个基准模型。该数据集可以用于机器学习和视觉任务的许多领域,如跟踪、姿态估计、半监督和无监督学习以及生成建模。
Dec, 2019
该研究以卫星姿态估计数据集为基础,对基于单目视觉的方法进行分析,在对 48 名参赛者分析竞赛表现的基础上,探讨了卫星姿态估计问题的挑战和改进方向。
Nov, 2019