面向跨域差距航天器姿态估计的鲁棒多任务学习与在线细化
计算机视觉与模式识别
2023-08-21 v6 机器学习
摘要
本工作提出航天器姿态网络v2(SPNv2),一种用于跨域差距非合作航天器姿态估计的卷积神经网络(CNN)。SPNv2是一种多尺度、多任务CNN,由共享多尺度特征编码器和多个在共享特征输出上执行不同任务的预测头组成。这些任务均与从图像中检测和姿态估计目标航天器相关,例如预定义卫星关键点的预测、直接姿态回归以及卫星前景的二值分割。研究表明,通过在仅合成图像上进行不同但相关任务的联合训练并辅以大量数据增强,共享编码器学到了在视觉特征与合成图像有本质不同的图像域间通用的特征。本工作还引入了在线域细化(ODR),在部署时于目标域图像上在线细化SPNv2归一化层的参数。具体而言,ODR对预测的卫星前景执行自监督熵最小化,从而在无姿态标签且计算开销极小的情况下提升CNN在目标域图像上的性能。SPNv2的GitHub仓库位于https://github.com/tpark94/spnv2。
引用
@article{arxiv.2203.04275,
title = {Robust Multi-Task Learning and Online Refinement for Spacecraft Pose Estimation across Domain Gap},
author = {Tae Ha Park and Simone D'Amico},
journal= {arXiv preprint arXiv:2203.04275},
year = {2023}
}
备注
Accepted to Advances in Space Research; fixed error on reporting translation from heatmaps