基于迁移学习的多-mirror卫星图像中段 misalignment检测
计算机视觉与模式识别
2024-07-31 v1 人工智能
图像与视频处理
摘要
本文提出一种基于迁移学习的系统，用于使用图像方法检测多-mirror卫星（如未来的CubeSat设计和詹姆斯·韦伯太空望远镜(JWST)）中的段 misalignment。当镜像段由于各种环境因素（如太空碎片）而发生错位时，图像会因错位的自身副本称为"幽灵图像"而产生畸变。为检测段是否错位，我们使用在卫星图像的灰度图块的快速傅里叶变换(FFT)上训练的预训练大规模图像模型。多-mirror设计可使用任意数量的镜像。对于我们的目的，测试在具有4、6和8个段的模拟CubeSat上进行。对于系统设计，我们考虑在想知道卫星是否发生错位段以及有多少段发生错位的情况。幽灵图像的强度直接与发生错位的段数成正比。针对强度分类训练的模型尝试对N-1个段进行分类。对于八个类别，二进制模型能够实现98.75%的分类准确率，针对强度分类的模型能够实现98.05%的分类准确率。
引用
@article{arxiv.2407.20582,
title = {Image-based Detection of Segment Misalignment in Multi-mirror Satellites using Transfer Learning},
author = {C. Tanner Fredieu and Jonathan Tesch and Andrew Kee and David Redding},
journal= {arXiv preprint arXiv:2407.20582},
year = {2024}
}