面向载荷计算机的实时航天器分割新数据集与性能基准
计算机视觉与模式识别
2026-02-12 v2 人工智能
图像与视频处理
摘要
航天器在外太空部署过程中常常会遭受各种形式的损坏，由于暴露在有害环境中。此外，通过人类外太空活动或机器人操作进行后续空间内维修存在重大风险，导致巨大的运营成本。近期的图像分割技术可能有助于开发出可靠且成本效益高的自主检查系统。尽管如此，这些模型通常需要大量训练数据才能获得满意的结果，但现有的公开航天器分割标注数据极其稀缺。本文提出了一个 nearly 64k 幅标注好的航天器图像数据集，该数据集是使用真实航天器模型制作的，图像背景为混合的真实与合成背景，通过 NASA 的 TTALOS 管道生成。为模拟真实图像获取中的相机失真和噪声，我们还为图像添加了不同类型的噪声和失真。该数据集包括面临多种现实挑战的图像，包括噪声、相机失真、眩光、光照条件变化、视场角变化、航天器部分可见性、明亮的城市背景、密集花纹和干扰背景、极光以及各种航天器几何形状。最后，我们对YOLOv8和YOLOv11模型对航天器分割进行微调，以在明确定义的硬件和推理时间约束下为数据集生成性能基准，这些约束旨在模拟在 NASA 航天器检查器上的空间中实时 onboard 应用的真实世界图像分割挑战。经过测试后，所得模型在这些约束下实现了 Dice 评分为 0.92，Hausdorff 距离为 0.69，推理时间约为 0.5 秒。该数据集和用于性能基准的模型可在 https://github.com/RiceD2KLab/SWiM 获取。
引用
@article{arxiv.2507.10775,
title = {A New Dataset and Performance Benchmark for Real-time Spacecraft Segmentation in Onboard Computers},
author = {Jeffrey Joan Sam and Janhavi Sathe and Nikhil Chigali and Naman Gupta and Radhey Ruparel and Yicheng Jiang and Janmajay Singh and James W. Berck and Arko Barman},
journal= {arXiv preprint arXiv:2507.10775},
year = {2026}
}