論文の概要: Real-Time Convolutional Neural Network-Based Star Detection and Centroiding Method for CubeSat Star Tracker
- arxiv url: http://arxiv.org/abs/2404.19108v1
- Date: Mon, 29 Apr 2024 21:19:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-01 16:03:12.935606
- Title: Real-Time Convolutional Neural Network-Based Star Detection and Centroiding Method for CubeSat Star Tracker
- Title（参考訳）: 立方体サットスタートラッカーのリアルタイム畳み込みニューラルネットワークによるスター検出とセントロイド法
- Authors: Hongrui Zhao, Michael F. Lembeck, Adrian Zhuang, Riya Shah, Jesse Wei,
- Abstract要約: 星追跡装置は、絶対的な姿勢決定に使用される最も正確な天体センサの1つである。
恒星検出と遠方偏移のアルゴリズムは、しばしば恒星検出のしきい値調整と遠方偏移のピクセル輝度重み付けに頼っている。
本稿では、星検出とセントロイド化のための畳み込みニューラルネットワーク(CNN)に基づくアプローチを紹介する。
- 参考スコア（独自算出の注目度）: 0.26963330643873434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Star trackers are one of the most accurate celestial sensors used for absolute attitude determination. The devices detect stars in captured images and accurately compute their projected centroids on an imaging focal plane with subpixel precision. Traditional algorithms for star detection and centroiding often rely on threshold adjustments for star pixel detection and pixel brightness weighting for centroid computation. However, challenges like high sensor noise and stray light can compromise algorithm performance. This article introduces a Convolutional Neural Network (CNN)-based approach for star detection and centroiding, tailored to address the issues posed by noisy star tracker images in the presence of stray light and other artifacts. Trained using simulated star images overlayed with real sensor noise and stray light, the CNN produces both a binary segmentation map distinguishing star pixels from the background and a distance map indicating each pixel's proximity to the nearest star centroid. Leveraging this distance information alongside pixel coordinates transforms centroid calculations into a set of trilateration problems solvable via the least squares method. Our method employs efficient UNet variants for the underlying CNN architectures, and the variants' performances are evaluated. Comprehensive testing has been undertaken with synthetic image evaluations, hardware-in-the-loop assessments, and night sky tests. The tests consistently demonstrated that our method outperforms several existing algorithms in centroiding accuracy and exhibits superior resilience to high sensor noise and stray light interference. An additional benefit of our algorithms is that they can be executed in real-time on low-power edge AI processors.
- Abstract（参考訳）: 星追跡装置は、絶対的な姿勢決定に使用される最も正確な天体センサの1つである。
撮像された画像中の星を検知し、サブピクセル精度の撮像焦点面上で投影されたセントロイドを正確に計算する。
恒星検出とセントロイドの伝統的なアルゴリズムは、しばしばセントロイド計算のピクセル検出とピクセル輝度重み付けのしきい値調整に頼っている。
しかし、高感度ノイズや迷路光といった課題は、アルゴリズムのパフォーマンスを損なう可能性がある。
本稿では、星検出とセントロイド化のための畳み込みニューラルネットワーク(CNN)に基づくアプローチについて紹介する。
実センサノイズと成層光で重畳されたシミュレーションされた星画像を用いて訓練されたCNNは、背景から星のピクセルを区別する二分分割マップと、最も近い恒星セントロイドに各ピクセルの近接を示す距離マップの両方を生成する。
この距離情報をピクセル座標と共に利用することで、セントロイド計算を最小二乗法で解ける3次問題の集合に変換する。
提案手法では,基盤となるCNNアーキテクチャに対して効率的なUNet変種を用い,その変種の性能評価を行った。
総合的なテストは、合成画像評価、ハードウェア・イン・ザ・ループ評価、夜空テストで実施されている。
実験の結果,提案手法は遠心分離精度で既存のアルゴリズムよりも優れており,高感度ノイズに対する耐性や光干渉に優れることがわかった。
我々のアルゴリズムのさらなる利点は、低消費電力のエッジAIプロセッサ上でリアルタイムに実行できることである。
関連論文リスト
- Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。
本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-16T12:39:56Z) - Exploring Deep Learning Image Super-Resolution for Iris Recognition [50.43429968821899]
重畳自動エンコーダ(SAE)と畳み込みニューラルネットワーク(CNN)の2つの深層学習単一画像超解法手法を提案する。
精度評価と認識実験により,1.872個の近赤外虹彩画像のデータベースを用いて評価を行い,比較アルゴリズムよりも深層学習の方が優れていることを示す。
論文 参考訳（メタデータ） (2023-11-02T13:57:48Z) - PRISE: Demystifying Deep Lucas-Kanade with Strongly Star-Convex
Constraints for Multimodel Image Alignment [18.30521162275051]
ルーカス・カナーデ法(英語版)(LK)は、画像の古典的反復的ホモグラフィー推定アルゴリズムであるが、画像対に歪みがある場合、特に局所的最適性に悩まされることが多い。
本稿では、画像最適化のための新しいDeep Star-Convexified Lucas-Kanade(RISE)法を提案する。
論文 参考訳（メタデータ） (2023-03-21T01:19:35Z) - Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
汚れは視覚的により快適な写真を提供し、写真がより便利になる。
非均一な曖昧さを数学的にモデル化することは困難である。
我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
論文 参考訳（メタデータ） (2023-01-18T06:37:21Z) - HPointLoc: Point-based Indoor Place Recognition using Synthetic RGB-D
Images [58.720142291102135]
本稿では,屋内環境における視覚的位置認識能力の探索を目的とした,HPointLocという新しいデータセットを提案する。
データセットは人気のあるHabitatシミュレータに基づいており、独自のセンサーデータとオープンデータセットの両方を使用して屋内シーンを生成することができる。
論文 参考訳（メタデータ） (2022-12-30T12:20:56Z) - Learning Neural Light Fields with Ray-Space Embedding Networks [51.88457861982689]
我々は、コンパクトで、光線に沿った統合放射率を直接予測する新しいニューラル光場表現を提案する。
提案手法は,Stanford Light Field データセットのような,高密度の前方向きデータセットの最先端品質を実現する。
論文 参考訳（メタデータ） (2021-12-02T18:59:51Z) - Convolutional Deep Denoising Autoencoders for Radio Astronomical Images [0.0]
我々は、最先端の電波望遠鏡の合成画像に、畳み込み復号化オートエンコーダ(Convolutional Denoising Autoencoder)と呼ばれる機械学習技術を適用した。
我々のオートエンコーダは、器用感度の限界でかすかな物体を識別し、抽出する複雑な画像を効果的に識別することができる。
論文 参考訳（メタデータ） (2021-10-16T17:08:30Z) - High-Resolution Depth Maps Based on TOF-Stereo Fusion [27.10059147107254]
そこで本研究では,効率的な種子育成アルゴリズムに基づくTOF-ステレオ融合法を提案する。
提案アルゴリズムは2次元画像に基づくステレオアルゴリズムよりも優れていることを示す。
このアルゴリズムは、単一のCPU上でリアルタイムのパフォーマンスを示す可能性がある。
論文 参考訳（メタデータ） (2021-07-30T15:11:42Z) - Lightweight Convolutional Neural Network with Gaussian-based Grasping
Representation for Robotic Grasping Detection [4.683939045230724]
現在の物体検出器は、高い精度と高速な推論速度のバランスを取るのが難しい。
ロボットつかみポーズ推定を行うための効率的かつ堅牢な完全畳み込みニューラルネットワークモデルを提案する。
ネットワークは、他の優れたアルゴリズムよりも桁違いに小さい順序です。
論文 参考訳（メタデータ） (2021-01-25T16:36:53Z) - Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。
これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。
SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
論文 参考訳（メタデータ） (2020-02-11T14:04:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。