基于灰度图像与稀疏深度图的航天器深度补全
计算机视觉与模式识别
2022-08-31 v1 人工智能
摘要
感知航天器的三维（3D）结构是成功执行许多在轨空间任务的前提，并且可以为许多下游视觉算法提供关键输入。在本文中，我们提出使用激光探测与测距传感器（LIDAR）和单目相机来感知航天器的3D结构。为此，提出了航天器深度补全网络（SDCNet），基于灰度图像和稀疏深度图恢复稠密深度图。具体而言，SDCNet将目标级航天器深度补全任务分解为前景分割子任务和前景深度补全子任务，先分割出航天器区域，然后在分割出的前景区域上执行深度补全。通过这种方式，有效避免了背景对前景航天器深度补全的干扰。此外，还提出了一种基于注意力的特征融合模块来聚合不同输入之间的互补信息，该模块沿通道和空间维度依次推导不同特征之间的相关性。另外，还提出了四个指标来评估目标级深度补全性能，能够更直观地反映航天器深度补全结果的质量。最后，构建了一个大规模卫星深度补全数据集用于训练和测试航天器深度补全算法。在该数据集上的实证实验证明了所提出的SDCNet的有效性，其达到了0.25m感兴趣区域平均绝对误差和0.759m平均截断绝对误差，大幅超越了SOTA方法。还基于深度补全结果进行了航天器位姿估计实验，实验结果表明预测的稠密深度图能够满足下游视觉任务的需求。
引用
@article{arxiv.2208.14030,
title = {Spacecraft depth completion based on the gray image and the sparse depth map},
author = {Xiang Liu and Hongyuan Wang and Zhiqiang Yan and Yu Chen and Xinlong Chen and Weichun Chen},
journal= {arXiv preprint arXiv:2208.14030},
year = {2022}
}
备注
the preprint version submitted to IEEE Transactions on Aerospace and Electronic Systems