A Simulation-Augmented Benchmarking Framework for Automatic RSO Streak Detection in Single-Frame Space Images

要約

タイトル：シングルフレーム宇宙画像における自動RSOストリーク検出のためのシミュレーション拡張ベンチマーキングフレームワーク

要約：
– RSO（Resident Space Objects）の検出は衛星との衝突を防ぐために非常に重要である。
– DCNN（深層畳み込みニューラルネットワーク）は大規模なデータセットがある場合、物体検出において優れた性能を発揮することが最近明らかにされている。
– しかし、RSOのデータ収集は宇宙画像の中で非常にまれであるため、充分なデータがない場合はDCNN検出器を総合的にトレーニングし、十分に効果を発揮することが困難である。
– さらに、異なる検出器の有意義な評価の欠如により、検出方法の設計やアプリケーションに影響を及ぼす可能性がある。
– この問題に対処するため、RSOが含まれる宇宙画像はシミュレーションによって補完できると提案している。
– 新しいシミュレーション拡張ベンチマーキングフレームワーク（SAB-RSOD）を紹介し、高精度な宇宙画像をキャプチャするセンサーのハードウェアパラメータを最大限に活用して、多様な宇宙画像を生成できる高品質のRSOシミュレータを開発する。
– そして、このシミュレータを使用して、多様なRSOを含む画像を自動的に注釈付けすることで、合成画像をリアルな画像と混ぜ合わせ、学習用に約500枚の画像を取得し、評価用にはリアルな画像のみを使用する。
– SAB-RSODでは、YoloやFaster RCNNなどのさまざまな人気のある物体検出器を効果的にトレーニングし、その性能を徹底的に評価することができる。
– 評価結果は、利用可能なデータ量と画像解像度が、堅牢なRSO検出の2つの主要な要因であることを示している。
– また、より高い効率のために低い解像度を使用する場合、単純なUNetベースの検出方法でも高い検出精度にアクセスできることが実証されている。

要約(オリジナル)

Detecting Resident Space Objects (RSOs) and preventing collisions with other satellites is crucial. Recently, deep convolutional neural networks (DCNNs) have shown superior performance in object detection when large-scale datasets are available. However, collecting rich data of RSOs is difficult due to very few occurrences in the space images. Without sufficient data, it is challenging to comprehensively train DCNN detectors and make them effective for detecting RSOs in space images, let alone to estimate whether a detector is sufficiently robust. The lack of meaningful evaluation of different detectors could further affect the design and application of detection methods. To tackle this issue, we propose that the space images containing RSOs can be simulated to complement the shortage of raw data for better benchmarking. Accordingly, we introduce a novel simulation-augmented benchmarking framework for RSO detection (SAB-RSOD). In our framework, by making the best use of the hardware parameters of the sensor that captures real-world space images, we first develop a high-fidelity RSO simulator that can generate various realistic space images. Then, we use this simulator to generate images that contain diversified RSOs in space and annotate them automatically. Later, we mix the synthetic images with the real-world images, obtaining around 500 images for training with only the real-world images for evaluation. Under SAB-RSOD, we can train different popular object detectors like Yolo and Faster RCNN effectively, enabling us to evaluate their performance thoroughly. The evaluation results have shown that the amount of available data and image resolution are two key factors for robust RSO detection. Moreover, if using a lower resolution for higher efficiency, we demonstrated that a simple UNet-based detection method can already access high detection accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI