Details
| Title | Identification of spacecraft at close range using depth maps = Идентификация космических аппаратов на ближней дистанции с использованием карт глубины // Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. – 2026. – Т. 19, № 3. — С. 7-17 |
|---|---|
| Creators | Pavlov V. A. ; Tsytsulin A. K. ; Savischenko N. V. ; Avetisyan V. G. |
| Imprint | 2026 |
| Collection | Общая коллекция |
| Subjects | Транспорт ; Космические летательные аппараты ; Вычислительная техника ; Прикладные информационные (компьютерные) технологии в целом ; spacecraft ; depth maps ; orbital imaging ; space-based imaging ; neural networks ; deep neural networks ; threshold segmentation ; adaptive equalization ; космические аппараты ; карты глубины ; орбитальная съемка ; космическая съемка ; нейронные сети ; глубокие нейронные сети ; пороговая сегментация ; адаптивная эквализация |
| UDC | 629.78; 004.9 |
| LBC | 39.62/66; 32.973-018.2 |
| Document type | Article, report |
| Language | English |
| DOI | 10.18721/JCSTCS.19301 |
| Rights | Свободный доступ из сети Интернет (чтение, печать, копирование) |
| Additionally | New arrival |
| Record key | RU\SPSTU\edoc\80307 |
| Record create date | 11/12/2026 |
The article addresses the problem of automatic detection, segmentation, and classification of spacecraft using depth maps. The study was based on synthesized semi-natural data, which made it possible to simulate various orbital imaging conditions and to provide accurate ground-truth annotations for the quantitative evaluation of algorithms. Due to the instability of texture and color features under real space conditions, the geometric structure of objects is proposed as a key invariant feature. To solve the detection problem, a multi-stage algorithm has been developed, which includes adaptive histogram equalization, local threshold segmentation, morphological processing, and filtering of false contours based on geometric criteria. To classify spacecraft, deep neural networks of the ResNet family were used in two configurations: based on optical images alone and based on combined data (image + depth map). Experiments on a synthetic dataset of 19 440 images showed that the proposed algorithm significantly outperforms the SAM 3 model in terms of detection accuracy (Precision 0.917 vs 0.171), ensuring a low level of false positives. The multimodal approach to classification achieved an accuracy of 99.9% (ResNet-152 model), confirming the effectiveness of using depth maps for reliable recognition of spacecraft under near-real space imaging conditions.
В статье рассматривается задача автоматического обнаружения, сегментации и классификации космических аппаратов с использованием карт глубины. Исследование проведено на основе синтезированных полунатурных данных, что позволило смоделировать различные условия орбитальной съемки и обеспечить точную эталонную разметку для количественной оценки алгоритмов. В связи с нестабильностью текстурных и цветовых признаков в реальных условиях космоса предлагается использовать геометрическую структуру объектов как ключевой инвариантный признак. Для решения задачи обнаружения разработан многоэтапный алгоритм, включающий адаптивную эквализацию гистограммы, локальную пороговую сегментацию, морфологическую обработку и фильтрацию ложных контуров по геометрическим критериям. Для классификации космических аппаратов использовались глубокие нейронные сети семейства ResNet в двух конфигурациях: на основе только оптических изображений и на основе комбинированных данных (изображение + карта глубины). Эксперименты на синтезированной выборке из 19 440 изображений показали, что предложенный алгоритм значительно превосходит модель SAM 3 по точности обнаружения (Precision 0,917 против 0,171), обеспечивая низкий уровень ложных срабатываний. Мультимодальный подход к классификации позволил достичь точности 99,9% (модель ResNet-152), что подтверждает эффективность использования карт глубины для надежного распознавания космических аппаратов в условиях космической съемки, приближенной к реальной.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | All |
|
