Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 4. С. 9-22
Обзор современных подходов к обработке изображений в задачах исследования космоса
Б.А. Юматов
1 , Е.В. Белинская
1 , Р.В. Бессонов
1 , А.Н. Василейская
1 1 Институт космических исследований РАН, Москва, Россия
Одобрена к печати: 02.08.2022
DOI: 10.21046/2070-7401-2022-19-4-9-22
В последнее десятилетие произошли существенные изменения в подходах к решению задач технического зрения. Практически во всех существующих задачах классические подходы были вытеснены алгоритмами искусственного интеллекта, и в частности нейронными сетями, показывающими заметно более высокую точность, а в некоторых случаях открывшими возможность получать практически применимые результаты в тех задачах, для которых ранее не существовало рабочих решений. Дополнительным стимулом к вышеуказанным изменениям стала повсеместная доступность мощных вычислительных устройств, в частности графических процессоров, которые на текущий момент имеют габариты, позволяющие использовать их во встраиваемых системах и, таким образом, решать прикладные задачи в реальном времени. Космос в данном случае не считается исключением и с некоторым отставанием встаёт на рельсы общих тенденций. В статье рассматриваются существующие прецеденты использования алгоритмов искусственного интеллекта в задачах освоения космоса, а также исследования и работы, которые ведутся в этом направлении. Затрагивается вопрос бортового исполнения подобных алгоритмов, проводится краткий обзор существующих и будущих разработок в области вычислительных устройств космического назначения, характеристики которых предполагают возможным выполнения на них ресурсозатратных и параллельных алгоритмов.
Ключевые слова: машинное зрение, обработка изображений, искусственный интеллект, нейронные сети, сверточные нейронные сети, ДЗЗ, некооперируемое взаимодействие, планетоход, вычислительные устройства
Полный текстСписок литературы:
- Dennehy C. J., Wolf A. A NASA Viewpoint on On-Board Processing Challenges to Support Optical Navigation and Other GN&C Critical Functions: oral presentation // European Workshop on On-Board Data Processing (OBDP2019). 25–27 Feb. 2019. Noordwijk, Netherlands.
- Ding J., Xue N., Long Y., Xia G., Lu Q. Learning Rol Transformer for Detecting Oriented Objects in Aerial Images. 2018. 19 p. URL: https://arxiv.org/pdf/1812.00155.pdf.
- Garcia A., Musallam M. A., Gaudilliere V., Ghorbel E., Ismaeil K. A., Perez M., Aouada D. LSPnet: A 2D Localization-oriented Spacecraft Pose Estimation Neural Network. 2021. 9 p. URL: https://arxiv.org/pdf/2104.09248.pdf.
- Gretok E. W., Kain E. T., George A. D. Comparative Benchmarking Analysis of Next-Generation Space Processors // IEEE Aerospace Conf. 2–9 March 2019. Big Sky, MT, USA. 55 p.
- Jeppesen J. H., Jacobsen R. H., Inceoglu F., Toftegaard T. S. A cloud detection algorithm for satellite imagery based on deep learning // Remote Sensing of Environment. 2019. V. 229. P. 247–259. DOI: 10.1016/j.rse.2019.03.039.
- Lentaris G., Maragos K., Stratakos I., Papadopoulos L., Papanikolaou O., Lourakis M., Zabulis X., Arjona-Gonzalez D., Furano G. High-Performance Embedded Computing in Space: Evaluation of Platforms for Vision-Based Navigation // Aerospace Information Systems. 2018. V. 15. No. 4. P. 178–192. DOI: 10.2514/1.IO10555.
- Manning J., Langerman D., Ramesh B., Gretok E., Wilson C., George A., MacKinnon J., Crum G. Machine-Learning Space Applications on SmallSat Platforms with TensorFlow // 32nd Annual Small Satellites Conf. 4–9 Aug. 2018. Utah, USA. 2018. Art. No. SSC18-WKVII-03. 8 p.
- Ono M., Rothrock B., Otsu K., Higa S., Iwashita Y., Didier A., Islam T., Laporte C., Sun V., Stack K., Sawoniewicz J., Daftry S., Timmaraju V., Sahnoune S., Mattann C. A., Lamarre O., Ghosh S., Qiu D., Nomura S., Roy H., Sarabu H., Hedrick G., Folsom L., Suehr S., Park H. MAARS: Machine learning-based Analytics for Automated Rover Systems // IEEE Aerospace Conf. 7–14 March 2020. Big Sky, MT, USA. 2020. Art. No. 19891560. 17 p. DOI: 10.1109/AERO47225.2020.9172271.
- Paoletti M. E., Haut J. M., Plaza J., Plaza A. Deep learning classifiers for hyperspectral imaging: A review // ISPRS J. Photogrammetry and Remote Sensing. 2019. V. 158. P. 279–317. DOI: 10.1016/j.isprsjprs.2019.09.006.
- Perryman N., Schwarz T., Cook T., Roffe S., Gillette A., Gretok E., Garrett T., Sabogal S., George A., Lopez R. STP-H7-CASPR: A Transition from Mission Concept to Launch // 35th Annual Small Satellite Conf. 7–12 Aug. 2021, Utah, USA. 2021, Art. No. SSC21-WKII-08. 16 p.
- Phisannupawong T., Kamsing P., Torteeka P., Channumsin S., Sawangwit U., Hematulin W., Jarawan T., Somjit T., Yooyen S., Delahaye D., Boonsrimuang P. Vision-Based Spacecraft Pose Estimation via a Deep Convolutional Neural Network for Noncooperative Docking Operations // Aerospace. 2020. No. 7(9). Art. No. 126. 22 p. DOI: 10.3390/aerospace7090126.
- Powell W. High-Performance Spaceflight Computing (HPSC) project Overview // Radiation Hardened: Electronics Technology (RHET) Conf. 5–8 Nov. 2018, Phoenix, AZ. 2018. 29 p. URL: https://ntrs.nasa.gov/api/citations/20180007636/downloads/20180007636.pdf.
- Roffe S., Schwarz T., Cook T., Perryman N., Goodwill J., Gretok E., Phillips A., Moran M., Garrett T., George A. CASPR: Autonomous Sensor Processing Experiment for STP-H7. 2020. URL: https://digitalcommons.usu.edu/cgi/viewcontent.cgi?article=4666&context=smallsat.
- Sun X., Wang P., Yan Z., Xu F., Wang R., Diao W., Chen J., Li J., Feng Y., Xu T., Weinmann M., Hinz S., Wang C., Fu K. FAIR1M: A benchmark dataset for fine-grained object recognition in high-resolution remote sensing imagery // ISPRS J. Photogrammetry and Remote Sensing. 2022. V. 184. P. 116–130. DOI: 10.1016/j.isprsjprs.2021.12.004.
- Xu J., Song B., Yang X., Nan X. An Improved Deep Keypoint Detection Network for Space Targets Pose Estimation // Remote Sensing. 2020. V. 12(23). Art. No. 3857. 21 p. DOI: 10.3390/rs12233857.