Lessons from a Space Lab — An Image Acquisition Perspective

要約

近年、ディープラーニング（DL）アルゴリズムの使用により、ビジョンベースの宇宙アプリケーションの性能が向上しています。しかし、これらのDLアルゴリズムを学習するための大量のアノテーションデータを生成することは困難であることが判明しています。合成画像を利用することもできますが、合成データで学習させたDLモデルは、実環境でテストすると、しばしば性能劣化の影響を受けてしまいます。そこで、ルクセンブルク大学のセキュリティ・信頼性・信用に関する学際的センター（SnT）は、実世界の宇宙環境を模擬した環境で視覚ベースの宇宙アルゴリズムを訓練・検証するための「SnT Zero-G Lab」を開発しました。SnTゼロGラボの開発で重要な点は、機器の選択でした。この記事では、ラボの開発で得られた教訓から、機器選定のための市場調査および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、宇宙実験室における画像取得装置である背景材、カメラ、照明ランプに着目している。実験解析の結果、宇宙ラボ開発プロジェクトにおける効果的な機器選定には、市場調査に加えて実験解析が必要であることが示された。

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, DeepL