Collaborative Static-Dynamic Teaching: A Semi-Supervised Framework for Stripe-Like Space Target Detection

要約

ストライプ状の宇宙目標検出 (SSTD) は、宇宙の状況認識に不可欠です。
従来の教師なし手法は、信号対雑音比が低く、変動するストライプ状の空間ターゲットのシナリオでは失敗することが多く、弱い一般化につながります。
完全教師あり学習方法はモデルの一般化を向上させますが、トレーニングには広範なピクセルレベルのラベルが必要です。
SSTD タスクでは、これらのラベルを手動で作成することは多くの場合不正確で、労力がかかります。
半教師あり学習 (SSL) 手法は、これらのラベルの必要性を減らし、モデルの一般化性を高めますが、そのパフォーマンスは擬似ラベルの品質によって制限されます。
これに対処するために、革新的な Collaborative Static-Dynamic Teacher (CSDT) SSL フレームワークを導入しました。これには、静的および動的教師モデルと生徒モデルが含まれます。
このフレームワークは、カスタマイズされた適応型擬似ラベル付け (APL) 戦略を採用し、初期の静的教育から適応型の協調的な教育に移行し、学生モデルのトレーニングを導きます。
指数移動平均 (EMA) メカニズムは、新しいストライプ状の知識を生徒モデルを通じて動的教師モデルにフィードバックすることでこのプロセスをさらに強化し、擬似ラベルの品質を継続的に向上させる正のフィードバック ループを作成します。
さらに、CSDT SSL トレーニング フレームワーク内で多様なストライプ状の特徴を抽出するように設計された、マルチスケール デュアル パス コンボリューション (MDPC) ブロックと特徴マップ重み付け注意 (FMWA) ブロックを特徴とする新しい SSTD ネットワークである MSSA-Net を紹介します。
。
広範な実験により、AstroStripeSet およびさまざまな地上および宇宙ベースの実世界データセットにおけるフレームワークの最先端のパフォーマンスが検証されています。

要約(オリジナル)

Stripe-like space target detection (SSTD) is crucial for space situational awareness. Traditional unsupervised methods often fail in low signal-to-noise ratio and variable stripe-like space targets scenarios, leading to weak generalization. Although fully supervised learning methods improve model generalization, they require extensive pixel-level labels for training. In the SSTD task, manually creating these labels is often inaccurate and labor-intensive. Semi-supervised learning (SSL) methods reduce the need for these labels and enhance model generalizability, but their performance is limited by pseudo-label quality. To address this, we introduce an innovative Collaborative Static-Dynamic Teacher (CSDT) SSL framework, which includes static and dynamic teacher models as well as a student model. This framework employs a customized adaptive pseudo-labeling (APL) strategy, transitioning from initial static teaching to adaptive collaborative teaching, guiding the student model’s training. The exponential moving average (EMA) mechanism further enhances this process by feeding new stripe-like knowledge back to the dynamic teacher model through the student model, creating a positive feedback loop that continuously enhances the quality of pseudo-labels. Moreover, we present MSSA-Net, a novel SSTD network featuring a multi-scale dual-path convolution (MDPC) block and a feature map weighted attention (FMWA) block, designed to extract diverse stripe-like features within the CSDT SSL training framework. Extensive experiments verify the state-of-the-art performance of our framework on the AstroStripeSet and various ground-based and space-based real-world datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google