SpectraNet：基于高对比度光谱图像的人工卫星学习识别

有效的空间交通管理需要对人工卫星进行确定性识别。当前从观测数据中提取目标识别信息的方法需要空间分辨图像，这限制了识别对象为低地球轨道上的物体。然而，大多数人工卫星运行于地球静止轨道，其距离使地基天文台无法分辨空间信息。本文展示一种利用改进残差卷积神经网络将距离不变的光谱数据映射到目标身份的解决方案。我们报告了在模拟的 64 类卫星问题上超过 80% 的分类准确率——即使在卫星经历持续随机重定向的情况下亦如此。由这些结果驱动的天文观测活动在九类问题上返回了 72% 的准确率，每类平均 100 个样本，表现与模拟预期一致。我们展示了通过 dropout 变分贝叶斯推断、随机权重平均(SWA)和聚焦于 SWA 的深度集成来度量分类不确定性——在空间交通管理中，常规决策关乎昂贵空间资产并带有地缘政治后果，这些是关键组成部分。