SpaceSeg：一种面向多航天器在轨目标的高精度智能感知分割方法
计算机视觉与模式识别
2025-03-17 v1 图像与视频处理
摘要
随着人类深空探索的不断推进，在轨多航天器目标的智能感知与高精度分割技术已成为确保现代太空任务成功的关键因素。然而，复杂的深空环境、多样的成像条件以及航天器形态的高度可变性给传统分割方法带来了巨大挑战。本文提出了 SpaceSeg，一种基于视觉基础模型的创新分割框架，具有四项核心技术创新：首先，多尺度分层注意力精化解码器（MSHARD）通过分层注意力进行跨分辨率特征融合，实现了高精度特征解码。其次，多航天器连通分量分析（MS-CCA）有效解决了密集目标的拓扑结构混淆问题。第三，空间域自适应变换框架（SDAT）通过复合增强策略消除了跨域差异并抵抗空间传感器扰动。最后，创建了定制的多航天器分割任务损失函数，以显著提高深空场景下的分割鲁棒性。为支持算法验证，我们构建了首个多尺度在轨多航天器语义分割数据集 SpaceES，涵盖了四种类型的空间背景和 17 种典型航天器目标。在测试中，SpaceSeg 取得了 89.87 mIoU 和 99.98 mAcc 的 SOTA 性能，超越了现有最佳方法 5.71 个百分点。数据集和代码已在 https://github.com/Akibaru/SpaceSeg 开源，为下一代空间态势感知系统提供关键技术支持。
引用
@article{arxiv.2503.11133,
title = {SpaceSeg: A High-Precision Intelligent Perception Segmentation Method for Multi-Spacecraft On-Orbit Targets},
author = {Hao Liu and Pengyu Guo and Siyuan Yang and Zeqing Jiang and Qinglei Hu and Dongyu Li},
journal= {arXiv preprint arXiv:2503.11133},
year = {2025}
}