面向小天体周边视觉导航的卷积极限学习机设计

卷积神经网络等深度学习架构是计算机视觉中图像处理任务的标准方法。然而其精度常以漫长且计算昂贵的训练、对大型标注数据集的需求以及广泛的超参数搜索为代价。另一方面，一种称为卷积极限学习机的方法已展现出以训练时间大幅缩短实现同等性能的潜力。空间影像，尤其是关于小天体的影像，可能非常适用于该方法。本工作中，我们设计卷积极限学习机架构并与深度学习对应架构进行测试对比。由于前者训练时间相对较快，卷积极限学习机架构能够高效探索架构设计空间，而若用后者则 impractical，从而引入一种用于计算机视觉任务神经网络架构高效设计的方法论。此外，我们研究了图像处理方法与标注策略之间的耦合关系，并证明其在进行小天体周边视觉导航时起着重要作用。