arXiv cs.AI· Clotilde Szywala, Thomas Goudemant, Marjorie Bellizzi, Benjamin Francesconi, Adrien Girard·· 9 天前AI 评分24
Φsat-2 星载海洋异常检测：从仿真开发到在轨验证
Onboard Marine Anomaly Detection on $\Phi$sat-2: From Simulation-Based Development to In-Orbit Demonstration
AI 导读
欧洲航天局 Φsat-2 任务部署了一套轻量级星载海洋异常检测流水线，结合海面分割、自监督特征编码与基于偏离正常海况的通用异常检测。该流水线发射前基于仿真 Φsat-2 影像训练验证，在轨后早期实验发现仿真与真实数据存在显著不匹配，遂改用真实 Level-1 影像和更优标注策略重新训练，性能大幅提升。该经验表明仿真开发有助于降低飞行前风险，但可靠的科学验证仍需有代表性的在轨数据。
正文 · AI 翻译
摘要：星载人工智能通过直接在卫星上处理数据，可以提升对地观测系统的响应能力和带宽效率。本文介绍了在欧洲空间局 $\Phi$sat-2 任务上部署的轻量级海洋异常检测流水线在开发、星上集成和发射后适配过程中所获得的经验。该应用结合了海洋分割、海洋区域的自监督特征编码、基于偏离正常海况的通用异常检测，以及对选定异常类型的可选表征。在发射前，该流水线在模拟的 $\Phi$sat-2 影像上进行了训练和验证，以评估算法性能以及与资源受限星载硬件的兼容性。在任务环境中完成集成和功能验证后，基于真实 $\Phi$sat-2 采集数据的早期实验揭示出模拟数据与在轨数据之间存在显著不匹配。因此，该流水线使用改进的标注策略在真实 Level-1 影像上重新训练，以更好地处理模糊海洋区域，从而大幅提升了性能。除了证明该应用的星上可行性之外，$\Phi$sat-2 的经验还凸显了稳健标注策略和传感器感知设计的重要性，并表明基于仿真的开发对于降低飞行前风险很有价值，而可靠的科学验证需要具有代表性的在轨数据，并且应与功能验证明确区分开来。
| 主题： | 人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.11735 [cs.AI] |
| （或 arXiv:2610.11735v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11735 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Thomas Goudemant [查看电子邮件] [经由 CCSD 代理]
[v1]
2026年10月8日星期四 11:31:06 UTC（784 KB）
来源：arXiv cs.AI · arxiv.org