面向双星干扰与非高斯畸变的基于HorNet轻量化多任务CNN星敏感器质心估计方法

《Scientific Reports》：A multi-task deep learning network for robust and high accuracy star sensor image centroiding

　　

摘要

星敏感器需要在双星干扰和非高斯畸变条件下实现可靠的在轨质心估计。传统算法缺乏鲁棒性，而深度学习模型在实时运行时往往牺牲精度或计算效率。本研究提出了一种基于HorNet基线的轻量化多任务CNN，适用于在轨部署。该模型在单次前向传播中同时区分单星与双星目标，并估计亚像素级质心。两个改进插拔模块——用于噪声抑制的可微分高斯卷积和用于空间增强的坐标注意力——带来极小的计算开销，提升了不同形态星斑的质心估计精度。帕累托最优损失函数无需手动调参即可平衡分类与回归任务。在包含理想高斯分布、真实非高斯剖面及双星干扰的数据集上的实验表明，所提模型实现了100.0%的双星检测率，大幅优于传统算法（≈53.7%的准确率）。在模拟非高斯条件下，其质心误差约为0.017像素，优于传统质心法（≈0.16像素）和高斯拟合（≈0.12像素）。该模型结构紧凑、高效且易于训练，为当前GPU平台上的高精度实时恒星质心估计提供了一种结构高效的解决方案，并展现出未来在轨部署的潜力。