SSTD: Stripe-Like Space Target Detection using Single-Point Supervision

要約

ストライプ状の宇宙目標検出 (SSTD) は、宇宙の状況認識を強化し、宇宙船の動作を評価する上で重要な役割を果たします。
このドメインは、公開されているデータセットの欠如、迷光や星からの干渉、そしてピクセルレベルのアノテーションを複雑にするストライプ状のターゲットの変動性という 3 つの課題に直面しています。
これに応えて、私たちは SSTD 用に設計された先駆的なデータセットである「AstroStripeSet」を導入し、学術リソースのギャップを埋めて SSTD の研究を前進させることを目指しています。
さらに、単一点監視による新しい擬似ラベル進化教師と生徒のフレームワークを提案します。
このフレームワークは、シングルポイント設定でセグメント エニシング モデル (SAM) のゼロショット機能を使用して初期擬似ラベルを生成することから始まり、これらのラベルを繰り返し改良します。
私たちのフレームワークでは、微調整された StripeSAM が教師として機能し、新しく開発された StripeNet が生徒として機能し、疑似ラベルの品質を向上させることでセグメンテーションのパフォーマンスを一貫して向上させます。
また、縞模様のターゲットの線形特性に合わせてカスタマイズされた新しい損失関数である「GeoDice」も紹介します。
広範な実験により、私たちのアプローチのパフォーマンスがすべての評価指標において完全に教師ありの手法と一致し、新しい最先端 (SOTA) ベンチマークが確立されたことが示されています。
データセットとコードは一般公開されます。

要約(オリジナル)

Stripe-like space target detection (SSTD) plays a key role in enhancing space situational awareness and assessing spacecraft behaviour. This domain faces three challenges: the lack of publicly available datasets, interference from stray light and stars, and the variability of stripe-like targets, which complicates pixel-level annotation. In response, we introduces `AstroStripeSet’, a pioneering dataset designed for SSTD, aiming to bridge the gap in academic resources and advance research in SSTD. Furthermore, we propose a novel pseudo-label evolution teacher-student framework with single-point supervision. This framework starts with generating initial pseudo-labels using the zero-shot capabilities of the Segment Anything Model (SAM) in a single-point setting, and refines these labels iteratively. In our framework, the fine-tuned StripeSAM serves as the teacher and the newly developed StripeNet as the student, consistently improving segmentation performance by improving the quality of pseudo-labels. We also introduce `GeoDice’, a new loss function customized for the linear characteristics of stripe-like targets. Extensive experiments show that the performance of our approach matches fully supervised methods on all evaluation metrics, establishing a new state-of-the-art (SOTA) benchmark. Our dataset and code will be made publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google