Lessons from a Space Lab — An Image Acquisition Perspective

要約

深層学習 (DL) アルゴリズムの使用により、近年、ビジョンベースの宇宙アプリケーションのパフォーマンスが向上しています。
ただし、これらの DL アルゴリズムをトレーニングするために大量の注釈付きデータを生成することは、困難であることが証明されています。
合成的に生成された画像を使用できますが、合成データでトレーニングされた DL モデルは、実際の環境でテストすると、多くの場合、パフォーマンスが低下する可能性があります。
これに関連して、ルクセンブルグ大学の学際的セキュリティ、信頼性、信頼センター (SnT) は、現実世界の宇宙環境をエミュレートする条件で視覚ベースの宇宙アルゴリズムをトレーニングおよび検証するための「SnT Zero-G ラボ」を開発しました。
SnT Zero-G Lab 開発の重要な側面は、機器の選択でした。
ラボの開発中に学んだ教訓から、この記事では、機器選択のための市場調査と実験分析を組み合わせた体系的なアプローチを紹介します。
特に、この記事では、宇宙実験室の画像取得機器 (背景資料、カメラ、照明ランプ) に焦点を当てています。
実験分析の結果は、実験分析によって補完された市場調査が、宇宙実験室開発プロジェクトにおける効果的な機器の選択に必要であることを示しています。

要約(オリジナル)

The use of Deep Learning (DL) algorithms has improved the performance of vision-based space applications in recent years. However, generating large amounts of annotated data for training these DL algorithms has proven challenging. While synthetically generated images can be used, the DL models trained on synthetic data are often susceptible to performance degradation, when tested in real-world environments. In this context, the Interdisciplinary Center of Security, Reliability and Trust (SnT) at the University of Luxembourg has developed the ‘SnT Zero-G Lab’, for training and validating vision-based space algorithms in conditions emulating real-world space environments. An important aspect of the SnT Zero-G Lab development was the equipment selection. From the lessons learned during the lab development, this article presents a systematic approach combining market survey and experimental analyses for equipment selection. In particular, the article focus on the image acquisition equipment in a space lab: background materials, cameras and illumination lamps. The results from the experiment analyses show that the market survey complimented by experimental analyses is required for effective equipment selection in a space lab development project.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google