基于深度学习的目标检测模型在特征不足的天文摄影图像数据集上的基准测试.pdfVIP

基于深度学习的目标检测模型在特征不足的天文摄影

图像数据集上的基准测试

ShantanusinhParmar

IndependentResearcher

shantanu.c.parmar@

摘要对象检测模型通常在像ImageNet、COCO和PASCALVOC这样

本的数据集上进行训练，这些数据集侧重于日常物品。然而，这些数据集缺

乏非商业领域中存在的信号稀疏性。MobilTelesco是一个基于智能手机的

译天体摄影数据集，通过提供稀疏的夜空图像解决了这一问题。我们在其上

中对几种检测模型进行了基准测试，突出了特征不足条件下的挑战。

1

v

71介绍

3

5

6目标检测是计算机视觉中的一个重要功能，存在许多模型可以用于在图

0

.像中检测不同的对象。最常见的CV模型YOLO[1]是一种多功能和高精度

8

0目标检测模型的优秀示例。随着这些模型的广泛应用，已经做出了许多改进

5来使检测更快、更准确，并减少其计算成本。

2

:这些改进是基于特征丰富的数据集如COCO[2]，ImageNet[3]，PAS-

v

iCALVOC[4]，Cityscapes[5]和KITTI[6]完成的。虽然这些数据集非常广

x

r泛，包含多样化的检测对象集合，但所有这些数据集共有的一个属性是它们

a

都细节丰富，具有明亮的对象或高目标与背景比。也就是说，可检测对象覆

盖的空间比背景更明显，如图1，图2所示。

而对于许多实际应用，如跟踪交通中的汽车、增强现实(AR)或面部识

别，这些数据集并不能复制天文学摄影、微生物学和卫星成像等应用的特征

稀疏性。这里，显著特征隐藏在大量背景数据中。本质上，这些数据集中感

兴趣的对象非常少。因此，传统模型可能在这种数据集上表现不佳。

一个显著的例子展示了此类数据集的需求，即NASA的“机智”号火星

直升机在火星表面坠毁。NASA主导的调查表明，坠毁的原因可能是该航天

器的视觉辅助导航系统将特征不明显的火星沙丘地形误认为是静止的，从而

导致了待机模式的激活，并最终导致坠毁[7]。

2ShantanusinhParmar

图1:MSCOCO数据集中的图像样本[2]

图2:PASCALVOC2012数据集中的图像样本[4]

另一个特征缺乏较为显著的领域是天文摄影。尽管在像JWST（用于导

星跟踪）这样的航天器导航系统中广泛使用[26]，地球上的望远镜（尤其是

较小尺寸的望远镜）主要依赖于赤道仪跟踪。本研究可能有助于为小型至中

型望远镜（2米口径）建立实时天体跟踪系统。

本文旨在测试和比较在名为MobilTelesco[33]的自定义天体摄影数据集

上的7种常见目标检测模型。正如名称所示，该数据集是通过高分辨率智能

手机镜头拍摄的