用于单帧空间图像中 RSO 条纹自动检测的仿真增强基准框架
计算机视觉与模式识别
2023-05-02 v1
摘要
检测驻留空间物体(RSO)并防止与其他卫星碰撞至关重要。近来,深度卷积神经网络(DCNN)在拥有大规模数据集时于目标检测中表现出优越性能。然而,由于空间图像中极少出现,收集丰富的 RSO 数据十分困难。若无充足数据,全面训练 DCNN 检测器并使其有效检测空间图像中的 RSO 颇具挑战,更无从评估检测器是否足够鲁棒。对不同检测器缺乏有意义的评估可能进一步影响检测方法的设计与应用。为解决此问题,我们提出可模拟含 RSO 的空间图像以补充原始数据不足,从而实现更好的基准测试。相应地,我们引入了用于 RSO 检测的仿真增强基准框架(SAB-RSOD)。在我们的框架中,通过充分利用捕获真实世界空间图像的传感器硬件参数,首先开发高保真 RSO 模拟器以生成各种逼真空间图像。然后,利用该模拟器生成含多样化空间 RSO 的图像并自动标注。之后,我们将合成图像与真实世界图像混合,获得约 500 张用于训练的图像,仅以真实世界图像进行评估。在 SAB-RSOD 下,我们能有效训练 Yolo 和 Faster RCNN 等不同流行目标检测器,从而彻底评估其性能。评估结果表明,可用数据量与图像分辨率是鲁棒 RSO 检测的两个关键因素。此外,若使用较低分辨率以获取更高效率,我们证明了简单的基于 UNet 的检测方法已能获得高检测精度。
引用
@article{arxiv.2305.00412,
title = {A Simulation-Augmented Benchmarking Framework for Automatic RSO Streak Detection in Single-Frame Space Images},
author = {Zhe Chen and Yang Yang and Anne Bettens and Youngho Eun and Xiaofeng Wu},
journal= {arXiv preprint arXiv:2305.00412},
year = {2023}
}