Bridging the Domain Gap in Satellite Pose Estimation: a Self-Training Approach based on Geometrical Constraints

要約

最近、衛星姿勢推定における教師なしドメイン適応が注目を集めており、深いモデルをトレーニングするためのアノテーション コストを軽減することを目的としています。
この目的のために、ドメインにとらわれない幾何学的制約に基づく自己トレーニング フレームワークを提案します。
具体的には、ニューラル ネットワークをトレーニングして衛星の 2D キーポイントを予測し、PnP を使用して姿勢を推定します。
タスクを最小化問題として定式化するために、ターゲット サンプルのポーズを潜在変数と見なします。
さらに、細粒度のセグメンテーションを活用して、衛星をまばらなキーポイントとして抽象化することによって引き起こされる情報損失の問題に取り組みます。
最後に、疑似ラベル生成とネットワーク トレーニングの 2 つのステップで最小化問題を繰り返し解決します。
実験結果は、私たちの方法がターゲットドメインにうまく適応することを示しています。
また、第 2 回国際衛星姿勢推定コンペティションの太陽灯タスクで第 1 位を獲得しました。

要約(オリジナル)

Recently, unsupervised domain adaptation in satellite pose estimation has gained increasing attention, aiming at alleviating the annotation cost for training deep models. To this end, we propose a self-training framework based on the domain-agnostic geometrical constraints. Specifically, we train a neural network to predict the 2D keypoints of a satellite and then use PnP to estimate the pose. The poses of target samples are regarded as latent variables to formulate the task as a minimization problem. Furthermore, we leverage fine-grained segmentation to tackle the information loss issue caused by abstracting the satellite as sparse keypoints. Finally, we iteratively solve the minimization problem in two steps: pseudo-label generation and network training. Experimental results show that our method adapts well to the target domain. Moreover, our method won the 1st place on the sunlamp task of the second international Satellite Pose Estimation Competition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google