M2Former：改进基于事件的实时深度检测（RT-DETR）算法，以实现鲁棒且轻量级的空间物体检测

《IEEE Transactions on Geoscience and Remote Sensing》：M2Former: Enhancing Event-Based RT-DETR for Robust and Lightweight Space Object Detection

事件摄像机太空在轨物体检测系统构建与优化。针对传统光学传感器在极端光照和运动模糊下的局限性，利用事件摄像机的高时空分辨率特性，构建E-SPARK仿真数据集并设计轻量级M2Former模型，集成RT-DETR实时检测框架，通过自适应损失函数和增强策略，实现小目标检测参数减少50%而精度保持最优。

　　

摘要：

随着人类太空活动的增加，探测驻留太空物体（RSOs）对于太空监测和在轨任务变得至关重要。传统的光学传感器在太空环境中由于极端的光照变化和运动模糊而难以有效工作。事件相机是一种受生物启发的传感器，能够异步记录每个像素的亮度变化，具有高时间分辨率、宽动态范围和低功耗的特点，因此在轨道传感方面具有很大的潜力，但在此领域尚未得到充分探索。在这项工作中，我们首次系统地研究了基于事件的空间物体检测方法。为了解决事件数据稀缺的问题，我们构建了一个大规模的数据集，名为“基于事件的太空飞行器识别：利用太空环境知识”（E-SPARK），该方法通过对现有数据集应用仿射变换和先进的事件模拟器来实现。基于这个数据集，我们提出了一种轻量级的多尺度MetaFormer框架（M2Former），以及一种专为小物体检测设计的区域感知损失函数（AAL）。这些组件被集成到实时检测Transformer（RT-DETR）框架中，该框架以其鲁棒性而闻名，但计算成本相对于“你看一次就够了”（YOLO）模型来说较高。我们的设计将参数数量和复杂性降低了50%以上，同时保持了相当的检测精度。此外，我们还设计了一种改进的数据增强策略，增强了数据的监督密度和多样性，进一步提升了检测性能。在合成数据和真实事件数据上的实验表明，我们的方法达到了先进的性能，并具有很强的泛化能力。这些结果凸显了事件相机作为太空检测可靠传感方式的潜力。数据集、代码和补充材料可在以下链接公开获取：https://iamie-vision.github.io/M2Former/。