弥合卫星姿态估计中的域鸿沟：一种基于几何约束的自训练方法
计算机视觉与模式识别
2022-12-26 v1
摘要
近年来，卫星姿态估计中的无监督域适应受到越来越多的关注，旨在减轻训练深度模型的标注成本。为此，我们提出了一种基于域无关几何约束的自训练框架。具体而言，我们训练一个神经网络来预测卫星的二维关键点，然后使用 PnP 来估计姿态。目标样本的姿态被视为潜变量，将该任务表述为一个最小化问题。此外，我们利用细粒度分割来解决因将卫星抽象为稀疏关键点而导致的信息丢失问题。最后，我们以两步迭代求解该最小化问题：伪标签生成与网络训练。实验结果表明，我们的方法能很好地适应目标域。此外，我们的方法在第二届国际卫星姿态估计竞赛的 sunlamp 任务中获得第一名。
引用
@article{arxiv.2212.12103,
title = {Bridging the Domain Gap in Satellite Pose Estimation: a Self-Training Approach based on Geometrical Constraints},
author = {Zi Wang and Minglin Chen and Yulan Guo and Zhang Li and Qifeng Yu},
journal= {arXiv preprint arXiv:2212.12103},
year = {2022}
}
备注
11 pages, 5 figures. Submitted to IEEE TAES, major revision