基于显著性的半监督学习用于在轨卫星跟踪
计算机视觉与模式识别
2019-09-10 v1
摘要
在轨卫星的轨迹与边界是空间机器人进行在轨维修与操作的基础信息。然而，该任务由于在轨卫星自由快速的运动、快速变化的背景以及光照条件的突变而具有挑战性。传统跟踪通常依赖于目标物体的单一边界框，但视觉跟踪应提供更详细的信息，如二值掩码。本文提出一种SSLT（基于显著性的半监督学习跟踪）算法，以每秒12帧的速度提供目标卫星的边界框与分割二值掩码，且无需标注数据。我们的方法SSLT通过在跟踪估计的初始边界框内生成基于显著性图的半监督在线学习方式来提升分割性能。一旦训练好定制分割模型，将利用二值分割结果精炼边界框与卫星轨迹。使用来自NASA（美国国家航空航天局）的真实在轨交会对接视频、来自ESA（欧洲空间局）的模拟卫星动画序列以及我们实验室拍摄的3D打印卫星模型图像序列进行的实验表明，与当前最优的跟踪与分割方法相比，我们的方法具有鲁棒性、通用性与快速性。我们的数据集将在未来发布供学术使用。
引用
@article{arxiv.1909.03656,
title = {Saliency based Semi-supervised Learning for Orbiting Satellite Tracking},
author = {Peizhuo Li and Yunda Sun and Xue Wan},
journal= {arXiv preprint arXiv:1909.03656},
year = {2019}
}
备注
The first two authors contributed equally to the paper. Corresponding Author: Xue Wan