一种用于离天底地心姿态预测的深度学习集成框架
计算机视觉与模式识别
2022-08-09 v3
摘要
加速自然灾害响应的计算方法包括变化检测、地图对齐和视觉辅助导航。现有软件仅在近天底图像上表现最优，而离天底图像往往是自然灾害发生后最早的信息来源。将上述任务用于离天底图像需要计算地心姿态，即飞行器相对于重力的空间朝向。本研究提出一种深度学习集成框架，利用全球城市的 5,923 张近天底与离天底 RGB 卫星图像预测地心姿态。首先，U-Net 全卷积神经网络预测 RGB 图像的逐像素地面以上高程掩码。随后，将高程掩码与 RGB 图像拼接形成四通道输入，送入第二个卷积模型以预测朝向角与放大尺度。R2=0.917 的性能精度显著优于以往方法。此外，通过有监督插值进行离群值剔除，并对高程掩码进行敏感性分析以评估数据特征的有效性，为未来的特征工程指明方向。本研究构建的高精度软件有助于制图与导航流程，从而有效开展灾害响应以挽救生命。
引用
@article{arxiv.2205.11230,
title = {A Deep Learning Ensemble Framework for Off-Nadir Geocentric Pose Prediction},
author = {Christopher Sun and Jai Sharma and Milind Maiti},
journal= {arXiv preprint arXiv:2205.11230},
year = {2022}
}
备注
2022 5th International Conference on Pattern Recognition and Artificial Intelligence (PRAI)