La creciente aplicación de la visión por computadora en el espacio, específicamente en la detección de objetos en órbita, enfrenta significativos desafíos derivados del llamado “domain gap” o brecha de dominio entre las imágenes generadas sintéticamente y aquellas capturadas en el mundo real. Esto se debe a condiciones difíciles en el espacio, como baja relación señal-ruido y reflejos especulares en superficies metálicas, que dificultan la transferencia de modelos entrenados con datos simulados.
Un estudio reciente exploró la efectividad de las técnicas de aumentación de datos para cerrar esta brecha de dominio, mejorando así el rendimiento de modelos de detección de objetos en entornos orbitales. Utilizando un marco de optimización de hiperparámetros y un conjunto de imágenes del dataset SPEED+, los investigadores evaluaron varios detectores populares como YOLO-v7 y Mask R-CNN, investigando cómo las técnicas de aumentación específicas para el espacio pueden mejorar la precisión de los modelos.
A través de su experimento, se destacó que las técnicas de aumentación de datos son claves para mejorar la calidad de los modelos. Se probaron diversas transformaciones, desde modificaciones geométricas y de color hasta novedosas técnicas que emulan artefactos visuales en imágenes orbitales, como efectos sombra y reflejos fuertes que suelen ocurrir en superficies de satélites.
El mejoramiento logrado en los modelos a través de estas técnicas sugiere que aplicar estrategias personalizadas para el sector espacial es esencial para hacer los modelos más robustos y confiables. Los detectores como YOLO-v7 demostraron una notable mejora en su precisión cuando entrenados con estas técnicas, alcanzando un mAP del 93.2% con el uso de 16 técnicas de aumentación.
Por otra parte, el estudio introdujo dos novedosas técnicas de aumentación, “specular” y “shadow”, que simulan reflejos y sombras intensas, imitando las complicadas condiciones visuales de las órbitas. Los resultados indican que estas técnicas son efectivas para cerrar la brecha de dominio.
En conclusión, este esfuerzo resalta la importancia de las aumentaciones de datos personalizadas para mejorar la aplicación de la visión por computadora en el espacio, sentando las bases para avances futuros que garanticen la fiabilidad en aplicaciones críticas en entornos desafiantes.