Space Debris: Are Deep Learning-based Image Enhancements part of the Solution?

要約

現在地球の周りを周回しているスペースデブリの量は、加速度的に持続不可能なレベルに達しつつあります。
軌道上で定義され、登録された宇宙船と、不正/非アクティブな宇宙「物体」との間の検出、追跡、識別、および区別は、資産保護にとって重要です。
この研究の主な目的は、可視光スペクトルの単眼カメラで撮影した場合に最も一般的な限界と画像アーティファクトを克服するためのディープ ニューラル ネットワーク (DNN) ソリューションの有効性を調査することです。
この研究では、ImageNet データセットで事前トレーニングされたハイブリッド UNet-ResNet34 深層学習 (DL) アーキテクチャが開発されています。
対処される画像劣化には、ぼやけ、露出の問題、コントラストの低下、ノイズなどが含まれます。
教師あり DL に適したスペース生成データの不足にも対処します。
この研究で開発された URes34P モデルと、宇宙で撮影された画像に関連する深層学習画像強調手法における既存の最先端技術との視覚的な比較が示されています。
目視検査に基づいて、UNet モデルは空間関連の画像劣化を補正できるため、計算の複雑さを軽減するためにさらに調査する価値があると判断されました。

要約(オリジナル)

The volume of space debris currently orbiting the Earth is reaching an unsustainable level at an accelerated pace. The detection, tracking, identification, and differentiation between orbit-defined, registered spacecraft, and rogue/inactive space “objects”, is critical to asset protection. The primary objective of this work is to investigate the validity of Deep Neural Network (DNN) solutions to overcome the limitations and image artefacts most prevalent when captured with monocular cameras in the visible light spectrum. In this work, a hybrid UNet-ResNet34 Deep Learning (DL) architecture pre-trained on the ImageNet dataset, is developed. Image degradations addressed include blurring, exposure issues, poor contrast, and noise. The shortage of space-generated data suitable for supervised DL is also addressed. A visual comparison between the URes34P model developed in this work and the existing state of the art in deep learning image enhancement methods, relevant to images captured in space, is presented. Based upon visual inspection, it is determined that our UNet model is capable of correcting for space-related image degradations and merits further investigation to reduce its computational complexity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google