MARs: Multi-view Attention Regularizations for Patch-based Feature Recognition of Space Terrain

要約

宇宙船が安全に天体に着陸したり、その近傍を航行したりするには、表面地形の視覚的な検出と追跡が必要です。
現在のアプローチは、事前に収集されたパッチベースの機能とのテンプレート マッチングに依存していますが、これは入手に費用がかかり、知覚能力の制限要因となっています。
最近の文献は、ナビゲーションと運用の自律性を強化するための現場での検出方法に焦点を当てていますが、依然として確実な説明が必要です。
この研究では、軽量の特徴記述メカニズムとして計量学習を調査し、現在のソリューションがクラス間の類似性とマルチビューの観察幾何学に対処できていないことを発見しました。
私たちはこれをビューを意識しない注意メカニズムによるものだと考え、マルチビュー注意正則化 (MAR) を導入して、複数のフィーチャ ビューにわたるチャネルと空間的注意を制限し、どこに注意を向けるかを規則化します。
私たちは、MAR の有無にかかわらず多くの最新の計量学習損失を徹底的に分析し、地形特徴認識パフォーマンスが 85% 以上向上していることを実証しました。
さらに、この困難な課題における将来の研究をサポートするために、月のクレーターのランドマークと NASA ミッション データからの参照ナビゲーション フレームで構成される Luna-1 データセットを紹介します。
Luna-1 とソース コードは https://droneslab.github.io/mars/ で公開されています。

要約(オリジナル)

The visual detection and tracking of surface terrain is required for spacecraft to safely land on or navigate within close proximity to celestial objects. Current approaches rely on template matching with pre-gathered patch-based features, which are expensive to obtain and a limiting factor in perceptual capability. While recent literature has focused on in-situ detection methods to enhance navigation and operational autonomy, robust description is still needed. In this work, we explore metric learning as the lightweight feature description mechanism and find that current solutions fail to address inter-class similarity and multi-view observational geometry. We attribute this to the view-unaware attention mechanism and introduce Multi-view Attention Regularizations (MARs) to constrain the channel and spatial attention across multiple feature views, regularizing the what and where of attention focus. We thoroughly analyze many modern metric learning losses with and without MARs and demonstrate improved terrain-feature recognition performance by upwards of 85%. We additionally introduce the Luna-1 dataset, consisting of Moon crater landmarks and reference navigation frames from NASA mission data to support future research in this difficult task. Luna-1 and source code are publicly available at https://droneslab.github.io/mars/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google