面向空间监视与跟踪的紧凑深度学习航迹片段分类器

《Journal of Space Safety Engineering》：A compact deep-learning tracklet classifier for space surveillance and tracking

　　

## 摘要

轨道天体数量的快速增长使得太空监视与跟踪（SST）迫切需要自动化的光学监测手段，因为望远镜图像的数据量已经超出人工操作流程所能承载的范围。为解决这一瓶颈问题，我们提出了一种紧凑型卷积神经网络（CNN），用于将检测到的感兴趣区域分类为静止源（恒星）或移动航天器（轨迹）。该模型（约2,000个参数）在罗马尼亚科学院天文研究所采集的195,477张真实标注图像切块上进行了训练和评估。在逐图像双曲反正弦（asinh）强度重缩放的预处理下，该CNN达到了99.30±0.11%的测试准确率（F1=0.992，ROC-AUC=0.9998），优于包括随机森林分类器（96.96%）和拉伸阈值测试（78.64%）在内的经典基线方法。类别激活映射（Grad-CAM）分析证实，网络决策依赖于具有物理意义的形态学特征，例如条纹长度和紧凑的点扩散函数核心。此外，我们表明与非线性强度重缩放相比，使用原始像素值会严重影响训练稳定性。在单CPU核心的推理吞吐量约为每秒800张切块（含测试时增强）的情况下，所提出的CNN可作为高效、快速的纯净化滤波器，随时可集成到操作性SST跟踪和光度测量管线中。训练数据和评估代码已公开发布，以支持可重复性。

## 引言

在过去十年中，地球轨道上活跃卫星和非合作天体的数量以前所未有的速度增长，主要驱动力是大型商业星座在低地球轨道的部署以及发射成本的持续下降[1]。在此背景下，太空监视与跟踪（SST）——即对驻留天体的常规观测、编目和轨道维持——已从少数专业设施提供的利基活动，转变为吞吐量需求随轨道天体规模增长而扩展的服务。地基光学望远镜仍然是SST观测网络的重要组成部分，特别是对于雷达难以到达的中地球轨道和地球同步轨道天体，并例行由国家项目和泛欧计划协调纳入观测活动。

在天顶跟踪巡天观测中，静止源（恒星）表现为紧凑的点扩散函数（PSF），而移动天体表现为拉长的条纹（轨迹），其长度和方向取决于天体的角速度；在目标跟踪观测中角色反转，目标呈紧凑状，恒星背景被拖尾。天体测量归算步骤提取每条轨迹的位置随时间的函数，并馈送至下游轨道确定软件。现代SST归算管线自动检测和分类候选源；实际瓶颈并非人工逐帧检查，而是对自动分类结果的验证，因为误分类的恒星会污染下游天体测量和轨道确定产品，而误分类的轨迹则意味着目标丢失。以可忽略的计算代价降低这一残余错误率是本文工作的目标。

在我们自己的天文台网络中，向全自动化的推进最近达到了如"非活跃卫星自动光度巡天"（APSIS）[2]这样的系统水平，该系统执行实时光变曲线提取和旋转建模。然而，高级光度测量管线预设了人工天体已被准确定位并与恒星背景区分开来。本文描述的分类组件作为此类高级SST工作流的关键上游滤波器发挥作用。

针对此问题的机器学习方法可分为三大类。第一类是检测阶段的深度学习，其中网络在全帧上操作并直接定位条纹。De Vittori等人[3]使用合成夜空图像训练U-Net进行实时轨迹分割，在2°视场内报告了平均质心角误差为0.25°；他们的方法证明了分割网络可以满足实时约束，但在合成图像上的评估留下了学习表示如何迁移到实际观测帧的疑问。Calvi等人[4]应用YOLOv5区分条纹与云层等干扰要素，解决了伪影拒绝问题，但付出了完整目标检测骨干网络计算开销的代价。Rachith等人[5]提出了一种用于地基光学帧的机器学习条纹检测算法，Rizzuto等人[6]将实时目标检测扩展到天基光学图像，同样在合成帧上训练以弥补缺乏在轨标注数据集的不足。第二类是经典检测和分类方法，它们仍是实际操作的标准。匹配滤波器条纹检测[7]在已知信噪比（SNR）下对孤立线性特征是理论上最优的，而基于矩的拉伸判据和对手工构造形态学特征（如强度和形状统计量上的随机森林）的集成分类器，被广泛用于源提取管线中将PSF与延展天体分离[8]，[9]。我们在3.4节中采用拉伸阈值和随机森林作为基线，正是因为它们代表了实际操作实践标准。第三类是将深度学习应用于其他传感模态和网络场景：Massimi等人[10]研究基于雷达的碎片检测，Massimi等人[11]研究基于卫星的物联网巨型星座网络；两者在方法论上相关，但在本文所讨论的地基光学环境之外操作。一些新技术将这些自动分类例程应用于全天相机[12]，[13]，这些相机正成为越来越丰富的资源，随着全国性天空监测网络如MOROI网络[14]的扩展而日益普及。

与这一格局相比，本文的贡献是一个经过验证的、仅基于CPU的后检测分类阶段，适用于源提取已由经典工具完成的工作流，并在大量真实操作性图像上进行了评估，评估代码已随公开数据集一起发布。当不同团队使用各种算法和指标报告结果时，这一做法在当前变得越来越重要。Anghel[15]表明，这些方法加上其通常不公开的数据，造成了在领域内无法对方法和结果进行基准比较的场景。

本文报告的工作描述了一个轨迹提取管线的分类组件，该组件准备集成到我们的SST观测网络跟踪软件中。我们使用干净保留的测试集进行评估，涵盖多种预处理变体，并与简单的经典基线进行对比。我们还通过Grad-CAM类别激活分析来刻画网络学习到的内容，以便可以预先预期分类器在其预期部署场景中的行为，而非事后推断。我们的目标是确立该工具的操作性就绪状态，记录实践中重要的数据准备选择，并公布可重复的评估结果，以便后续针对更难变体问题的研究进行比较。论文结构如下。第2节描述硬件、输入数据和分类前序的感兴趣区域（ROI）提取。第3节指定网络架构、训练过程、经典基线、测试时增强和可解释性分析。第4节报告测试集性能、吞吐量、按源亮度和拉伸度的逐分箱分析以及Grad-CAM发现。第5节讨论局限性和对未来工作的影响。第6节总结结论和部署前景。

## 章节摘要

**望远镜与观测活动**

本研究所使用的图像由[16]中描述的望远镜采集，由罗马尼亚科学院天文研究所运营（图1）。该设施位于Berthelot天文台，配备一台0.4米Ritchey-Chrétien光学镜筒组件，安装在高速赤道仪上。该光学设计和灵活的赤道仪配置专门针对快速采集和跟踪近地天体（NEO）和空间碎片进行了优化。

**网络架构**

我们使用一个约2,000个可训练参数的紧凑型卷积神经网络，以匹配小输入尺寸（21×21）和部署中预期的吞吐量需求。该架构包含三个卷积-ReLU-最大池化块，输出通道数分别为8、8和16（3×3卷积，padding=1；2×2最大池化，步长2），仅在前两个块中使用批归一化，随后接一个单层全连接层，产生分类输出。

**测试集性能**

表3总结了CNN在三种预处理变体和三种随机种子下的测试集性能，以及两个基线方法。所有数值基于相同的19,548张保留测试集，所有CNN数值均包含3.5节中描述的四种旋转测试时增强（TTA）。基线数值报告在匹配各行CNN的预处理输入上，并在对应的三种种子下取平均值。

**训练稳定性**

图3展示了代表性种子之一的训练和验证准确率曲线。

**讨论**

由上游ROI提取阶段定义的分类问题已被所提出的CNN有效处理。在推荐的asinh拉伸输入下，CNN达到99.30%的准确率，相比随机森林（96.96%）等经典基线提供了可衡量的优势。这表明虽然手工构造的形态学特征和线性模型表现尚可，但CNN直接从预处理后的像素网格学习空间表示的能力使其表现最优。

**结论**

我们提出了一个轨迹提取管线的分类组件，准备集成到SST观测网络的跟踪软件中，在从操作性望远镜提取的195,477张标注ROI切块上进行了训练和评估。在19,548张切块的保留测试集上，一个紧凑型CNN（约2,000个参数）在逐图像asinh重缩放下达到99.30±0.11%的准确率（F1=0.992，ROC-AUC=0.9998），单CPU核心推理吞吐量约为每秒800张图像。

**生成式AI及AI辅助技术在撰写过程中的声明**

在本文撰写过程中，作者使用了Claude（Anthropic）来帮助润色句子结构。使用该工具后，作者对内容进行了审查和必要的编辑，并对出版物内容承担全部责任。

**数据可用性**

本研究中使用的195,477张切块标注语料库、用于训练、评估和生成结果的管线，以及所有衍生数据产品（如AUC-PR表、各方法的累积TP/FP分布、表3的单核心吞吐量基准、以及第5节中讨论的亮度分层准确率分析）均在Zenodo平台公开发布，代码采用MIT许可证，数据采用CC-BY-4.0许可证。

**作者贡献声明（CRediT）**

Simon Anghel：方法论、调查研究、形式化分析、概念化。Dan-Alin Nedelcu：验证、数据管理、概念化。

**利益冲突声明**

作者声明不存在任何可能影响本论文所报告工作的已知竞争性财务利益或个人关系。

Simon Anghel | Dan-Alin Nedelcu