稀疏数据下的可学习地标跟踪：域适应与多视角注意力

天体表面地形特征的检测与跟踪是航天器自主飞行的关键任务，包括地形相对导航（TRN）、入口、下降与着陆（EDL）、灾害分析及科学数据采集。传统基于光谷法的流程依赖大量先验成像和离线处理，受制于防辐射系统的计算限制。虽然历史上有效，但这些方法常增加任务成本与周期，处理速率低，泛化能力有限。近期学习型计算机视觉技术日益受到青睐，以提升航天器自主性并克服上述限制。然而，新兴技术常对航天器硬件计算能力提出更高要求，难以实现实时运行，且稀缺的标注训练数据限制了其在多样化外星环境中的应用。本文提出了面向地标跟踪的新型方法，包括检测与描述。我们采用轻量级、计算高效的神经网络架构，专为当前一代航天器飞行处理器设计，实现实时执行。针对地标检测，我们提出改进的域适应方法，使系统能识别具有显著但稀疏训练数据的天体地形特征。同时，针对地标描述，我们引入 novel attention alignment 框架，学习鲁棒的特征表示，保持跨显著视角变化下的对应性。这些贡献构成了一套统一的地标跟踪系统，性能优于现有主流技术。