基于深度学习的非关联空间观测目标关联
计算机视觉与模式识别
2020-01-17 v1 机器学习
机器学习
摘要
非关联光学空间观测目标关联是一个典型的大海捞针问题。其目标是从数量远多于前者的所有非关联观测中，找出可能属于同一在轨空间物体（RSOs）的小规模观测组。这些观测在时间上以及观测传感器位置上可能差异极大。本文通过在大代表性数据集上训练表明，一个不编码任何物理或轨道力学知识、由深度学习赋能的习得模型，能够学习到用于识别同一物体观测的模型。当输入为50%匹配观测对构成的平衡集合时，该习得模型能以83.1%的准确率正确判断观测对是否属于同一RSO。随后将该习得模型与搜索算法结合，用于包含1000个差异显著的模拟非关联观测的非平衡演示集，结果表明其能成功识别出代表总体中142个物体里111个的真实三观测集合，且多数物体被识别于多个三观测三元组中。此举仅探索了1.66e8种可能唯一三元组组合搜索空间的0.06%。
引用
@article{arxiv.2001.05855,
title = {Deep Learning Enabled Uncorrelated Space Observation Association},
author = {Jacob J Decoto and David RC Dayton},
journal= {arXiv preprint arXiv:2001.05855},
year = {2020}
}
备注
Approved for public release by Department of Defense Prepublication Office, Ref: 20-S-0428