論文の概要: High Performance Space Debris Tracking in Complex Skylight Backgrounds with a Large-Scale Dataset

• arxiv url: http://arxiv.org/abs/2506.02614v1
• Date: Tue, 03 Jun 2025 08:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.401667
• Title: High Performance Space Debris Tracking in Complex Skylight Backgrounds with a Large-Scale Dataset
• Title（参考訳）: 大規模データセットを用いた複雑なスカイライト背景の高性能宇宙デブリ追跡
• Authors: Guohang Zhuang, Weixi Song, Jinyang Huang, Chenwei Yang, Yan Lu,
• Abstract要約: 高精度なデブリ追跡を実現するために,深層学習に基づく空間デブリ追跡ネットワーク(SDT-Net)を提案する。 SDT-Netはデブリの特徴を効果的に表現し、エンドツーエンドのモデル学習の効率性と安定性を高める。 データセットとコードはまもなくリリースされます。
• 参考スコア（独自算出の注目度）: 9.266032882247133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid development of space exploration, space debris has attracted more attention due to its potential extreme threat, leading to the need for real-time and accurate debris tracking. However, existing methods are mainly based on traditional signal processing, which cannot effectively process the complex background and dense space debris. In this paper, we propose a deep learning-based Space Debris Tracking Network~(SDT-Net) to achieve highly accurate debris tracking. SDT-Net effectively represents the feature of debris, enhancing the efficiency and stability of end-to-end model learning. To train and evaluate this model effectively, we also produce a large-scale dataset Space Debris Tracking Dataset (SDTD) by a novel observation-based data simulation scheme. SDTD contains 18,040 video sequences with a total of 62,562 frames and covers 250,000 synthetic space debris. Extensive experiments validate the effectiveness of our model and the challenging of our dataset. Furthermore, we test our model on real data from the Antarctic Station, achieving a MOTA score of 70.6%, which demonstrates its strong transferability to real-world scenarios. Our dataset and code will be released soon.
• Abstract（参考訳）: 宇宙探査の急速な発展に伴い、宇宙デブリは、その潜在的な脅威のためにより注目を集め、リアルタイムかつ正確なデブリ追跡の必要性が生じた。 しかし、既存の手法は主に従来の信号処理に基づいており、複雑な背景と密集した空間の破片を効果的に処理することはできない。 本稿では,高度に正確なデブリ追跡を実現するために,深層学習に基づくスペースデブリ追跡ネットワーク~(SDT-Net)を提案する。 SDT-Netはデブリの特徴を効果的に表現し、エンドツーエンドのモデル学習の効率性と安定性を高める。 このモデルを効果的に訓練し評価するために、新しい観測に基づくデータシミュレーション手法により、大規模データセットであるSpace Debris Tracking Dataset (SDTD) も作成する。 SDTDは、合計62,562フレームの18,040の動画シーケンスを含み、25万の合成宇宙デブリをカバーしている。 大規模な実験により、我々のモデルの有効性とデータセットの難しさが検証された。 さらに,南極ステーションからの実データを用いて実験を行い,実世界のシナリオに強い伝達性を示すMOTAスコアを70.6%達成した。 データセットとコードはまもなくリリースされます。

関連論文リスト

• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Structure from Motion-based Motion Estimation and 3D Reconstruction of Unknown Shaped Space Debris [3.037387520023979]
  本稿では,限られた資源で未知形状の空間デブリの運動推定を行うための,動きに基づく構造的アルゴリズムを提案する。 本手法は, 微小重力実験により生成した現実的な画像データセットを用いて, 2次元気流実験場と3次元運動学シミュレーションを用いて検証した。
  論文  参考訳（メタデータ） (2024-08-02T06:18:39Z)
• Towards A Foundation Model For Trajectory Intelligence [0.0]
  実世界のユーザチェックインデータを用いて,大規模軌跡モデルのトレーニング結果を示す。 提案手法は,マスク付き軌道モデルを用いてベースモデルを事前学習する,事前学習と微調整のパラダイムに従う。 私たちの経験分析では、600万人以上のユーザーが生成した20億以上のチェックインの包括的データセットを利用しています。
  論文  参考訳（メタデータ） (2023-11-30T00:34:09Z)
• SSIN: Self-Supervised Learning for Rainfall Spatial Interpolation [37.212272184144]
  降雨空間分析のためのデータ駆動型自己教師型学習フレームワークを提案する。 過去のデータから潜伏した空間パターンをマイニングすることで、SpaFormerは生データに対する情報埋め込みを学び、空間相関を適応的にモデル化することができる。 本手法は,2つの実世界のラリングオージデータセットの実験において,最先端のソリューションよりも優れる。
  論文  参考訳（メタデータ） (2023-11-27T04:23:47Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• SimuShips -- A High Resolution Simulation Dataset for Ship Detection with Precise Annotations [0.0]
  畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
  論文  参考訳（メタデータ） (2022-09-22T07:33:31Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• A Spacecraft Dataset for Detection, Segmentation and Parts Recognition [42.27081423489484]
  本稿では,宇宙船検出,インスタンスのセグメンテーション,部分認識のためのデータセットをリリースする。 この研究の主な貢献は、宇宙ステーションと衛星の画像を用いたデータセットの開発である。 また、データセットのベンチマークとして、オブジェクト検出やインスタンスセグメンテーションにおける最先端の手法による評価も提供する。
  論文  参考訳（メタデータ） (2021-06-15T14:36:56Z)
• SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
  マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。 観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:40:25Z)

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。