1. 项目概述当Transformer遇见月球导航在深空探测任务中航天器的自主导航能力是决定任务成败的关键。想象一下一个探测器正以每秒数公里的速度飞向月球它无法依赖GPS也无法实时接收地面指令进行精确的轨道修正。它必须像一位经验丰富的探险家仅凭“眼睛”观察到的陌生地形就能瞬间判断出自己的精确位置。这就是“陨石坑定位”技术要解决的核心问题通过识别和匹配月球表面的陨石坑实现航天器的自主、实时定位。传统的陨石坑定位方法大多依赖于复杂的几何匹配算法比如构建陨石坑之间的三角形关系或圆锥曲线约束。这些方法在理想条件下陨石坑检测完美、姿态先验信息准确或许可行但在真实的太空环境中图像噪声、陨石坑遮挡、检测误差无处不在。更棘手的是在“迷失在太空”Lost-in-Space, LIS的场景下航天器没有任何先验的位置和姿态信息传统的几何匹配算法计算量巨大且对误差极其敏感常常陷入“组合爆炸”的困境难以满足实时、机载计算的需求。近年来深度学习特别是视觉TransformerViT为这一难题带来了新的曙光。ViT通过自注意力机制能够建模图像中任意两个区域之间的长距离依赖关系这对于理解陨石坑之间复杂的空间布局模式至关重要。然而直接将标准的ViT用于陨石坑识别就像用一把大锤去绣花——力量有余但精度和效率不足。陨石坑布局图本质上是纹理稀疏、几何结构明确的一张图上可能只有十几个白色的圆圈代表陨石坑散落在漆黑的背景上绝大部分像素是无效信息。标准的ViT会对所有图像块Patch进行全局注意力计算产生了巨大的计算浪费同时也难以聚焦于关键的局部结构关系。正是在这样的背景下我们团队提出了CraterSense系统。它的核心创新在于我们不再将陨石坑识别看作一个几何匹配问题而是将其重构为一个基于“稀疏结构图像”的分类问题。我们设计了一种全新的网络架构——CATSformerCentral-Attention and Token Selection Transformer它像一位拥有“结构感知”能力的导航专家能够自动忽略无用的背景只关注陨石坑之间的相对位置和大小关系从而在极低的计算成本下实现了高达98.2%的识别准确率。这套系统不依赖任何先验位姿信息完全从零开始进行定位为未来月球、火星乃至更远深空的自主探测任务提供了一套轻量、鲁棒且实时的视觉导航解决方案。2. 核心思路从几何匹配到结构感知分类的范式转变要理解CraterSense的巧妙之处首先要跳出传统思维的框架。过去的思路是“检测-匹配”先检测出图像中的所有陨石坑然后拿着这个陨石坑列表去庞大的全球陨石坑数据库中挨个比对寻找最相似的几何组合。这个过程计算复杂度高且容错性差。2.1 稀疏结构图像化繁为简的抽象艺术CraterSense的核心思想是“检测-抽象-识别”。我们引入了一个中间表示层稀疏结构图像。这不是一张真实的月球照片而是一张人工生成的、高度抽象化的“示意图”。它的生成过程是这样的选定中心坑从检测到的陨石坑中选择一个作为待识别的“主角”中心坑。划定兴趣区域以这个中心坑为圆心划定一个圆形区域。这个区域的大小通过一个缩放系数μ来模拟不同的相机高度即不同的观测尺度。选取辅助坑在这个圆形区域内找出距离中心坑最近的若干个例如10个陨石坑作为“配角”辅助坑。生成抽象图像将中心坑置于图像正中心将所有陨石坑中心和辅助根据它们的中心坐标和直径以白色圆圈的形式绘制在纯黑色背景上。最后将图像旋转使得第一个辅助坑落在水平轴的正方向上。这样一张复杂的、充满噪声的月球地形图就被简化成了一张只包含位置和尺度信息的“点线图”。这个抽象过程带来了三大好处消除纹理干扰完全摒弃了光照变化、阴影、地表纹理等无关信息让模型专注于几何结构。统一输入格式无论原始图像分辨率、视角如何生成的稀疏结构图像都是固定大小如256x256且中心坑永远在正中第一个辅助坑永远在右侧。这极大地简化了学习任务。增强数据泛化我们可以通过程序轻松地对这些抽象图像进行大规模数据增强例如模拟检测误差给陨石坑位置、直径加噪声、模拟漏检随机删除一些坑、模拟误检随机添加虚假的坑甚至模拟相机姿态扰动。这让模型在训练阶段就见识了各种可能的“不完美”从而在实际应用中表现出极强的鲁棒性。实操心得在构建稀疏结构图像时中心坑的选择标准至关重要。我们通过分析发现直径在2-25公里范围内的陨石坑其检测准确率相对较高且尺寸适中适合作为识别基准。直径小于1公里的坑检测误差大大于25公里的坑在图像中占比过大会导致辅助坑信息不足。这个基于数据统计的筛选步骤是保证后续识别成功率的基础。2.2 CATSformer为稀疏结构量身定制的Transformer有了理想的输入还需要一个能理解它的“大脑”。标准的ViT在处理这种稀疏图像时效率低下。CATSformer就是我们为此设计的专用架构它包含了三大核心创新1. 令牌选择扔掉“垃圾信息”将256x256的图像分割成16x16的块共256个令牌。在稀疏结构图像中超过80%的块是纯黑色的背景不包含任何有用信息。CATSformer的第一步就是直接丢弃这些背景块对应的令牌。这就像一个高效的秘书在老板看报告前先把所有空白页抽走。这一操作能立即减少80%以上的计算量并让模型注意力更集中。2. 中心注意力聚焦关键区域在陨石坑识别任务中判断“中心坑是谁”的主要依据是它周围邻近的那些辅助坑。距离很远的坑其影响微乎其微。因此CATSformer没有进行全局的、所有令牌之间的两两注意力计算而是采用了中心注意力机制。我们只保留图像中心区域例如3x3或5x5的少数几个令牌作为“查询”让它们去关注所有被筛选后保留的“键”和“值”。这相当于把全局的“茶话会”变成了以中心人物为核心的“小组讨论”计算复杂度从O(N²)大幅降低并且强制模型学习最有判别力的局部结构特征。3. 结构位置编码注入几何先验丢弃令牌和聚焦中心可能会损失一些全局的绝对位置信息。为了弥补这一点我们为每个保留的令牌计算了一个结构位置编码。这个编码不是简单的“你在第几行第几列”而是描述了该令牌相对于中心坑的几何关系[dx, dy, r, θ]即x方向偏移、y方向偏移、径向距离和方位角。然后通过一个小型多层感知机将这个几何向量映射成与视觉特征维度相同的嵌入向量与原始的图像令牌特征相加。这样模型在“看”一个白色圆圈时不仅知道它是个圈还精确地知道它相对于中心坑的方向和距离极大地增强了空间结构理解能力。避坑指南在实现令牌选择时一个常见的陷阱是导致Transformer编码器输出的序列长度不固定因为每次保留的令牌数不同这会给后续的分类层带来麻烦。CATSformer通过固定中心注意力查询令牌的数量巧妙地解决了这个问题。无论背景令牌被丢弃多少中心查询令牌的数量是恒定的因此编码器的输出维度始终保持一致无需进行繁琐的填充操作。3. 系统实现从像素到坐标的全流程拆解CraterSense不是一个孤立的识别模型而是一个完整的端到端定位系统。它包含三个核心模块陨石坑检测网络、陨石坑识别网络和最终的定位策略。3.1 陨石坑检测网络为识别提供可靠的“原料”识别网络的输入依赖于检测网络输出的陨石坑位置和大小。如果检测不准后续识别就是“垃圾进垃圾出”。我们选择了CenterNet作为检测框架的基石因为它采用“中心点热图”的预测方式与陨石坑的圆形结构天然契合且无需设计复杂的锚框。然而月球图像中陨石坑尺度变化极大且经常出现大坑套小坑、坑缘重叠的情况。在标准CenterNet中当两个陨石坑中心靠得很近时它们的热图响应峰值会相互干扰、抑制导致漏检。为此我们提出了一个轻量级的双尺度检测头。标准检测头处理原始分辨率特征图擅长检测中小型陨石坑定位精准。大尺度检测头处理下采样后的低分辨率特征图拥有更大的感受野专门用于捕捉大型陨石坑的宏观特征。两个检测头的损失会共同监督网络训练。在推理时我们将两个头的结果进行融合。实验表明这个简单的改进能显著提升对大坑和重叠坑的召回率且计算开销增加甚微。检测网络的损失函数是标准检测损失焦点损失用于分类L1损失用于边框回归与大尺度检测头损失的加权和。3.2 陨石坑识别网络CATSformer的工程实现细节基于前述理论我们搭建了CATSformer的完整架构。1. 卷积词干在将图像切块送入Transformer之前我们使用一个轻量的卷积词干由几个卷积层和池化层组成对输入进行预处理。这比ViT原始的线性投影层能更好地提取底层的空间特征稳定训练过程并让模型对超参数如权重衰减不那么敏感。2. 网络配置我们设计了标准版和轻量版两个CATSformer。CATSformer4层Transformer编码器令牌维度5124个注意力头。CATSformer-s2层Transformer编码器令牌维度384计算量更小适合资源受限的平台。3. 知识蒸馏压缩为了进一步压缩模型我们采用了离线知识蒸馏。用训练好的大CATSformer作为“教师”去指导小CATSformer-s“学生”训练。损失函数由标准交叉熵损失和教师-学生输出分布的KL散度损失组成。这样学生模型能在参数量大幅减少的情况下继承教师模型的“经验”保持较高的识别精度。3.3 定位策略从识别结果到空间坐标识别网络输出的是“这个中心坑是数据库中的第X号坑”以及一个置信度。单次识别还不足以定位我们需要一个投票与验证的过程。多候选生成对一张输入图像检测网络会给出N个陨石坑。我们将其中的每一个都轮流作为“中心坑”生成对应的稀疏结构图像送入识别网络得到N个识别结果和置信度。置信度过滤设定一个较高的置信度阈值如0.96。只保留置信度高于此阈值的结果。交叉验证检查这些高置信度的识别结果之间是否一致。例如如果识别出坑A、B、C那么它们在图像中的相对位置关系应该与它们在全局数据库中的已知位置关系相匹配。PnP解算位姿一旦我们获得了至少4对可靠的“图像2D坐标-数据库3D坐标”的匹配点就可以利用经典的透视n点算法解算出相机相对于月球表面的精确旋转矩阵和平移向量即航天器的姿态和位置。这个策略的巧妙之处在于它通过识别网络的高置信度输出和几何一致性验证构建了一个鲁棒的闭环。即使检测有少量误差只要识别出的几个关键坑是正确的并且它们之间的空间关系吻合就能得到可靠的定位结果。4. 实验验证与深度分析我们选择了月球上两个具有代表性的区域进行实验NavArea1陨石坑密集区和NavArea2陨石坑稀疏区。数据集基于LRO WAC DOM光学图像和Robbins全球陨石坑数据库构建。4.1 检测网络性能双尺度头的威力我们将提出的BSD-CenterNet与Faster R-CNN、YOLOv11、RT-DETR等主流检测器进行了对比。模型参数量 (M)GFLOPsmAP0.5F1-ScoreFaster R-CNN41.2207.30.7230.801YOLOv11-l64.5103.20.7680.832RT-DETR32.195.70.7810.845CenterNet32.991.50.7950.858BSD-CenterNet33.894.10.8120.871我们的BSD-CenterNet在参数量和计算量略有增加的情况下取得了最好的综合性能。更重要的是我们分析了不同尺寸陨石坑的检测表现陨石坑直径 (km)模型召回率中心经度误差中心纬度误差直径误差 2CenterNet0.710.120.110.15 2BSD-CenterNet0.730.110.100.142-5CenterNet0.890.080.070.092-5BSD-CenterNet0.920.070.060.08 5CenterNet0.820.100.090.11 5BSD-CenterNet0.910.090.080.10可以看到BSD模块对所有尺寸的陨石坑都有提升但对大尺寸陨石坑5km的召回率提升尤为显著从0.82到0.91。这证实了双尺度设计能有效缓解大坑内部小坑造成的热图干扰问题。4.2 识别网络性能CATSformer的全面领先我们在两个测试集上对比了多种识别网络架构。模型参数量 (M)GFLOPsDtest1 准确率Dtest2 准确率ResNet-5023.54.1289.5%88.1%EfficientNet-Lite27.80.6885.2%83.7%CS-ViT (基线)10.212.0094.8%93.5%CATSformer10.56.9398.2%97.6%CATSformer-s6.83.4595.1%94.3%CATSformer-sKD6.33.4592.9%90.9%结论非常清晰Transformer优于CNN即使是基线CS-ViT也显著优于传统的CNN模型ResNet-50这说明Transformer的全局建模能力对理解陨石坑的空间布局至关重要。CATSformer效率与精度双赢我们提出的CATSformer在参数量几乎不变的情况下将计算量降低了近一半12.00G - 6.93G同时将准确率提升了超过3个百分点。这完美体现了结构感知设计的价值把计算资源用在刀刃上。轻量版实用性高CATSformer-s以更小的体积保持了高性能经过知识蒸馏后CATSformer-sKD在计算资源极其有限的平台上也能达到超过90%的可用精度。4.3 消融实验每个模块贡献几何为了厘清CATSformer中三个核心模块的具体贡献我们进行了系统的消融实验。模型配置GFLOPsDtest1 准确率Dtest2 准确率CS-ViT (基线)12.0094.8%93.5% Token Selection8.1496.1%94.9% Token Selection Central Attention6.8997.1%96.0%全部 (CATSformer)6.9398.2%97.6%令牌选择在几乎不损失精度的情况下大幅降低了计算量。这说明丢弃背景令牌不仅省算力还能起到正则化作用防止模型过拟合于噪声。中心注意力进一步降低计算量并带来显著的精度提升1%。这表明对于本任务局部上下文信息已经足够进行判别全局注意力反而是冗余和干扰的。结构位置编码以极小的计算代价换来了最终的精度飞跃。这证明了为模型显式地注入几何先验知识是极其有效的尤其是在数据稀疏的任务中。4.4 鲁棒性测试应对真实世界的挑战一个算法必须在非理想条件下稳定工作。我们系统测试了CraterSense在多种扰动下的表现。1. 抗检测误差能力我们模拟了上游检测网络可能产生的四种误差位置偏移、直径误差、漏检、误检。将CraterSense与传统的几何方法锥对法、三角形哈希法以及另一深度学习方法CraterIDNet进行对比。扰动类型锥对法三角形法CraterIDNetCraterSense-CIN位置噪声 (σ0.2D)51.2%65.8%78.5%95.8%直径噪声 (σ0.2D)48.7%60.1%76.9%96.1%漏检 (20%)72.3%80.5%85.2%94.3%误检 (5个)45.6%55.4%70.1%93.7%传统方法极其脆弱对位置和直径误差非常敏感误检更是其“杀手”因为错误的坑会彻底破坏其依赖的几何约束。CraterSense表现稳健在所有扰动下准确率都保持在93%以上。这得益于我们在训练阶段就通过数据增强模拟了所有这些误差模型已经学会了“去伪存真”关注的是陨石坑之间稳定的相对结构而非绝对的、可能有噪声的坐标值。2. 抗姿态扰动能力我们测试了相机俯仰角在-30°到30°范围内变化时系统的表现。在训练数据增强覆盖的±15°范围内系统准确率保持在90%以上。即使超出该范围至±20°准确率仍高于89%。这证明了系统对中等程度的姿态不确定性具有良好的容忍度。3. 成像高度变化通过改变缩放系数μ模拟了从50km到200km不同轨道高度下的成像。CraterSense在整个范围内的识别准确率波动小于2%表明其尺度不变性良好。4.5 系统级端到端测试最后我们在基于真实月球地形数据生成的合成图像上进行了完整的“检测-识别-定位”系统测试。在NavArea1和NavArea2两个区域各100个测试场景中系统整体的定位成功率分别达到95%和96%。这意味着在绝大多数情况下系统都能从一张没有任何先验信息的图像中成功找到至少4个正确的陨石坑匹配对并解算出航天器的位置。5. 总结与展望CraterSense的成功源于一个根本性的思路转变将复杂的几何匹配问题转化为一个结构感知的图像分类问题。通过设计稀疏结构图像这一巧妙的中间表示以及为其量身定制的CATSformer识别网络我们实现了精度、速度和鲁棒性的最佳平衡。几点关键的工程启示问题重构比算法微调更重要与其在传统的“检测-匹配”框架下苦苦优化匹配算法不如重新思考问题的本质。将陨石坑布局抽象为分类问题绕开了组合爆炸的难题。为数据特性设计模型没有万能的模型。CATSformer的令牌选择、中心注意力、结构位置编码每一项都是针对“稀疏”、“结构明确”这一数据特性的精准优化。这种领域定制化设计是获得极致性能的关键。鲁棒性源于数据再精巧的模型也怕没见过世面。我们通过全方位、高强度的数据增强模拟各种检测误差和姿态扰动让模型在“温室”里经历了“风雨”的洗礼这是其在真实复杂环境中表现稳定的根本保障。系统思维CraterSense是一个精心设计的系统。检测网络的双尺度头为识别提供可靠输入识别网络的高置信度输出为几何验证提供高质量候选最终通过PnP完成闭环。每个模块的改进都服务于最终的系统目标。当然这项工作仍有提升空间。未来的方向包括进一步压缩模型探索二值化或更极致的量化方案以适配算力更弱的星载计算机研究跨星球泛化能力让在月球上训练的模型经过少量调整就能用于火星或其他小天体探索在线学习或持续学习机制让探测器在任务过程中能自适应地学习新遇到的陨石坑特征。从更广阔的视角看CraterSense所代表的“结构感知稀疏建模”思想不仅适用于月球导航对于任何需要从稀疏、规则的几何结构中提取信息的任务——例如星空导航、工业零件识别、生物显微图像分析——都具有重要的借鉴意义。它证明了在特定领域放弃通用模型的“大而全”追求专用模型的“小而美”往往能走得更远。
基于Transformer的稀疏结构感知：CraterSense实现月球自主导航新突破
1. 项目概述当Transformer遇见月球导航在深空探测任务中航天器的自主导航能力是决定任务成败的关键。想象一下一个探测器正以每秒数公里的速度飞向月球它无法依赖GPS也无法实时接收地面指令进行精确的轨道修正。它必须像一位经验丰富的探险家仅凭“眼睛”观察到的陌生地形就能瞬间判断出自己的精确位置。这就是“陨石坑定位”技术要解决的核心问题通过识别和匹配月球表面的陨石坑实现航天器的自主、实时定位。传统的陨石坑定位方法大多依赖于复杂的几何匹配算法比如构建陨石坑之间的三角形关系或圆锥曲线约束。这些方法在理想条件下陨石坑检测完美、姿态先验信息准确或许可行但在真实的太空环境中图像噪声、陨石坑遮挡、检测误差无处不在。更棘手的是在“迷失在太空”Lost-in-Space, LIS的场景下航天器没有任何先验的位置和姿态信息传统的几何匹配算法计算量巨大且对误差极其敏感常常陷入“组合爆炸”的困境难以满足实时、机载计算的需求。近年来深度学习特别是视觉TransformerViT为这一难题带来了新的曙光。ViT通过自注意力机制能够建模图像中任意两个区域之间的长距离依赖关系这对于理解陨石坑之间复杂的空间布局模式至关重要。然而直接将标准的ViT用于陨石坑识别就像用一把大锤去绣花——力量有余但精度和效率不足。陨石坑布局图本质上是纹理稀疏、几何结构明确的一张图上可能只有十几个白色的圆圈代表陨石坑散落在漆黑的背景上绝大部分像素是无效信息。标准的ViT会对所有图像块Patch进行全局注意力计算产生了巨大的计算浪费同时也难以聚焦于关键的局部结构关系。正是在这样的背景下我们团队提出了CraterSense系统。它的核心创新在于我们不再将陨石坑识别看作一个几何匹配问题而是将其重构为一个基于“稀疏结构图像”的分类问题。我们设计了一种全新的网络架构——CATSformerCentral-Attention and Token Selection Transformer它像一位拥有“结构感知”能力的导航专家能够自动忽略无用的背景只关注陨石坑之间的相对位置和大小关系从而在极低的计算成本下实现了高达98.2%的识别准确率。这套系统不依赖任何先验位姿信息完全从零开始进行定位为未来月球、火星乃至更远深空的自主探测任务提供了一套轻量、鲁棒且实时的视觉导航解决方案。2. 核心思路从几何匹配到结构感知分类的范式转变要理解CraterSense的巧妙之处首先要跳出传统思维的框架。过去的思路是“检测-匹配”先检测出图像中的所有陨石坑然后拿着这个陨石坑列表去庞大的全球陨石坑数据库中挨个比对寻找最相似的几何组合。这个过程计算复杂度高且容错性差。2.1 稀疏结构图像化繁为简的抽象艺术CraterSense的核心思想是“检测-抽象-识别”。我们引入了一个中间表示层稀疏结构图像。这不是一张真实的月球照片而是一张人工生成的、高度抽象化的“示意图”。它的生成过程是这样的选定中心坑从检测到的陨石坑中选择一个作为待识别的“主角”中心坑。划定兴趣区域以这个中心坑为圆心划定一个圆形区域。这个区域的大小通过一个缩放系数μ来模拟不同的相机高度即不同的观测尺度。选取辅助坑在这个圆形区域内找出距离中心坑最近的若干个例如10个陨石坑作为“配角”辅助坑。生成抽象图像将中心坑置于图像正中心将所有陨石坑中心和辅助根据它们的中心坐标和直径以白色圆圈的形式绘制在纯黑色背景上。最后将图像旋转使得第一个辅助坑落在水平轴的正方向上。这样一张复杂的、充满噪声的月球地形图就被简化成了一张只包含位置和尺度信息的“点线图”。这个抽象过程带来了三大好处消除纹理干扰完全摒弃了光照变化、阴影、地表纹理等无关信息让模型专注于几何结构。统一输入格式无论原始图像分辨率、视角如何生成的稀疏结构图像都是固定大小如256x256且中心坑永远在正中第一个辅助坑永远在右侧。这极大地简化了学习任务。增强数据泛化我们可以通过程序轻松地对这些抽象图像进行大规模数据增强例如模拟检测误差给陨石坑位置、直径加噪声、模拟漏检随机删除一些坑、模拟误检随机添加虚假的坑甚至模拟相机姿态扰动。这让模型在训练阶段就见识了各种可能的“不完美”从而在实际应用中表现出极强的鲁棒性。实操心得在构建稀疏结构图像时中心坑的选择标准至关重要。我们通过分析发现直径在2-25公里范围内的陨石坑其检测准确率相对较高且尺寸适中适合作为识别基准。直径小于1公里的坑检测误差大大于25公里的坑在图像中占比过大会导致辅助坑信息不足。这个基于数据统计的筛选步骤是保证后续识别成功率的基础。2.2 CATSformer为稀疏结构量身定制的Transformer有了理想的输入还需要一个能理解它的“大脑”。标准的ViT在处理这种稀疏图像时效率低下。CATSformer就是我们为此设计的专用架构它包含了三大核心创新1. 令牌选择扔掉“垃圾信息”将256x256的图像分割成16x16的块共256个令牌。在稀疏结构图像中超过80%的块是纯黑色的背景不包含任何有用信息。CATSformer的第一步就是直接丢弃这些背景块对应的令牌。这就像一个高效的秘书在老板看报告前先把所有空白页抽走。这一操作能立即减少80%以上的计算量并让模型注意力更集中。2. 中心注意力聚焦关键区域在陨石坑识别任务中判断“中心坑是谁”的主要依据是它周围邻近的那些辅助坑。距离很远的坑其影响微乎其微。因此CATSformer没有进行全局的、所有令牌之间的两两注意力计算而是采用了中心注意力机制。我们只保留图像中心区域例如3x3或5x5的少数几个令牌作为“查询”让它们去关注所有被筛选后保留的“键”和“值”。这相当于把全局的“茶话会”变成了以中心人物为核心的“小组讨论”计算复杂度从O(N²)大幅降低并且强制模型学习最有判别力的局部结构特征。3. 结构位置编码注入几何先验丢弃令牌和聚焦中心可能会损失一些全局的绝对位置信息。为了弥补这一点我们为每个保留的令牌计算了一个结构位置编码。这个编码不是简单的“你在第几行第几列”而是描述了该令牌相对于中心坑的几何关系[dx, dy, r, θ]即x方向偏移、y方向偏移、径向距离和方位角。然后通过一个小型多层感知机将这个几何向量映射成与视觉特征维度相同的嵌入向量与原始的图像令牌特征相加。这样模型在“看”一个白色圆圈时不仅知道它是个圈还精确地知道它相对于中心坑的方向和距离极大地增强了空间结构理解能力。避坑指南在实现令牌选择时一个常见的陷阱是导致Transformer编码器输出的序列长度不固定因为每次保留的令牌数不同这会给后续的分类层带来麻烦。CATSformer通过固定中心注意力查询令牌的数量巧妙地解决了这个问题。无论背景令牌被丢弃多少中心查询令牌的数量是恒定的因此编码器的输出维度始终保持一致无需进行繁琐的填充操作。3. 系统实现从像素到坐标的全流程拆解CraterSense不是一个孤立的识别模型而是一个完整的端到端定位系统。它包含三个核心模块陨石坑检测网络、陨石坑识别网络和最终的定位策略。3.1 陨石坑检测网络为识别提供可靠的“原料”识别网络的输入依赖于检测网络输出的陨石坑位置和大小。如果检测不准后续识别就是“垃圾进垃圾出”。我们选择了CenterNet作为检测框架的基石因为它采用“中心点热图”的预测方式与陨石坑的圆形结构天然契合且无需设计复杂的锚框。然而月球图像中陨石坑尺度变化极大且经常出现大坑套小坑、坑缘重叠的情况。在标准CenterNet中当两个陨石坑中心靠得很近时它们的热图响应峰值会相互干扰、抑制导致漏检。为此我们提出了一个轻量级的双尺度检测头。标准检测头处理原始分辨率特征图擅长检测中小型陨石坑定位精准。大尺度检测头处理下采样后的低分辨率特征图拥有更大的感受野专门用于捕捉大型陨石坑的宏观特征。两个检测头的损失会共同监督网络训练。在推理时我们将两个头的结果进行融合。实验表明这个简单的改进能显著提升对大坑和重叠坑的召回率且计算开销增加甚微。检测网络的损失函数是标准检测损失焦点损失用于分类L1损失用于边框回归与大尺度检测头损失的加权和。3.2 陨石坑识别网络CATSformer的工程实现细节基于前述理论我们搭建了CATSformer的完整架构。1. 卷积词干在将图像切块送入Transformer之前我们使用一个轻量的卷积词干由几个卷积层和池化层组成对输入进行预处理。这比ViT原始的线性投影层能更好地提取底层的空间特征稳定训练过程并让模型对超参数如权重衰减不那么敏感。2. 网络配置我们设计了标准版和轻量版两个CATSformer。CATSformer4层Transformer编码器令牌维度5124个注意力头。CATSformer-s2层Transformer编码器令牌维度384计算量更小适合资源受限的平台。3. 知识蒸馏压缩为了进一步压缩模型我们采用了离线知识蒸馏。用训练好的大CATSformer作为“教师”去指导小CATSformer-s“学生”训练。损失函数由标准交叉熵损失和教师-学生输出分布的KL散度损失组成。这样学生模型能在参数量大幅减少的情况下继承教师模型的“经验”保持较高的识别精度。3.3 定位策略从识别结果到空间坐标识别网络输出的是“这个中心坑是数据库中的第X号坑”以及一个置信度。单次识别还不足以定位我们需要一个投票与验证的过程。多候选生成对一张输入图像检测网络会给出N个陨石坑。我们将其中的每一个都轮流作为“中心坑”生成对应的稀疏结构图像送入识别网络得到N个识别结果和置信度。置信度过滤设定一个较高的置信度阈值如0.96。只保留置信度高于此阈值的结果。交叉验证检查这些高置信度的识别结果之间是否一致。例如如果识别出坑A、B、C那么它们在图像中的相对位置关系应该与它们在全局数据库中的已知位置关系相匹配。PnP解算位姿一旦我们获得了至少4对可靠的“图像2D坐标-数据库3D坐标”的匹配点就可以利用经典的透视n点算法解算出相机相对于月球表面的精确旋转矩阵和平移向量即航天器的姿态和位置。这个策略的巧妙之处在于它通过识别网络的高置信度输出和几何一致性验证构建了一个鲁棒的闭环。即使检测有少量误差只要识别出的几个关键坑是正确的并且它们之间的空间关系吻合就能得到可靠的定位结果。4. 实验验证与深度分析我们选择了月球上两个具有代表性的区域进行实验NavArea1陨石坑密集区和NavArea2陨石坑稀疏区。数据集基于LRO WAC DOM光学图像和Robbins全球陨石坑数据库构建。4.1 检测网络性能双尺度头的威力我们将提出的BSD-CenterNet与Faster R-CNN、YOLOv11、RT-DETR等主流检测器进行了对比。模型参数量 (M)GFLOPsmAP0.5F1-ScoreFaster R-CNN41.2207.30.7230.801YOLOv11-l64.5103.20.7680.832RT-DETR32.195.70.7810.845CenterNet32.991.50.7950.858BSD-CenterNet33.894.10.8120.871我们的BSD-CenterNet在参数量和计算量略有增加的情况下取得了最好的综合性能。更重要的是我们分析了不同尺寸陨石坑的检测表现陨石坑直径 (km)模型召回率中心经度误差中心纬度误差直径误差 2CenterNet0.710.120.110.15 2BSD-CenterNet0.730.110.100.142-5CenterNet0.890.080.070.092-5BSD-CenterNet0.920.070.060.08 5CenterNet0.820.100.090.11 5BSD-CenterNet0.910.090.080.10可以看到BSD模块对所有尺寸的陨石坑都有提升但对大尺寸陨石坑5km的召回率提升尤为显著从0.82到0.91。这证实了双尺度设计能有效缓解大坑内部小坑造成的热图干扰问题。4.2 识别网络性能CATSformer的全面领先我们在两个测试集上对比了多种识别网络架构。模型参数量 (M)GFLOPsDtest1 准确率Dtest2 准确率ResNet-5023.54.1289.5%88.1%EfficientNet-Lite27.80.6885.2%83.7%CS-ViT (基线)10.212.0094.8%93.5%CATSformer10.56.9398.2%97.6%CATSformer-s6.83.4595.1%94.3%CATSformer-sKD6.33.4592.9%90.9%结论非常清晰Transformer优于CNN即使是基线CS-ViT也显著优于传统的CNN模型ResNet-50这说明Transformer的全局建模能力对理解陨石坑的空间布局至关重要。CATSformer效率与精度双赢我们提出的CATSformer在参数量几乎不变的情况下将计算量降低了近一半12.00G - 6.93G同时将准确率提升了超过3个百分点。这完美体现了结构感知设计的价值把计算资源用在刀刃上。轻量版实用性高CATSformer-s以更小的体积保持了高性能经过知识蒸馏后CATSformer-sKD在计算资源极其有限的平台上也能达到超过90%的可用精度。4.3 消融实验每个模块贡献几何为了厘清CATSformer中三个核心模块的具体贡献我们进行了系统的消融实验。模型配置GFLOPsDtest1 准确率Dtest2 准确率CS-ViT (基线)12.0094.8%93.5% Token Selection8.1496.1%94.9% Token Selection Central Attention6.8997.1%96.0%全部 (CATSformer)6.9398.2%97.6%令牌选择在几乎不损失精度的情况下大幅降低了计算量。这说明丢弃背景令牌不仅省算力还能起到正则化作用防止模型过拟合于噪声。中心注意力进一步降低计算量并带来显著的精度提升1%。这表明对于本任务局部上下文信息已经足够进行判别全局注意力反而是冗余和干扰的。结构位置编码以极小的计算代价换来了最终的精度飞跃。这证明了为模型显式地注入几何先验知识是极其有效的尤其是在数据稀疏的任务中。4.4 鲁棒性测试应对真实世界的挑战一个算法必须在非理想条件下稳定工作。我们系统测试了CraterSense在多种扰动下的表现。1. 抗检测误差能力我们模拟了上游检测网络可能产生的四种误差位置偏移、直径误差、漏检、误检。将CraterSense与传统的几何方法锥对法、三角形哈希法以及另一深度学习方法CraterIDNet进行对比。扰动类型锥对法三角形法CraterIDNetCraterSense-CIN位置噪声 (σ0.2D)51.2%65.8%78.5%95.8%直径噪声 (σ0.2D)48.7%60.1%76.9%96.1%漏检 (20%)72.3%80.5%85.2%94.3%误检 (5个)45.6%55.4%70.1%93.7%传统方法极其脆弱对位置和直径误差非常敏感误检更是其“杀手”因为错误的坑会彻底破坏其依赖的几何约束。CraterSense表现稳健在所有扰动下准确率都保持在93%以上。这得益于我们在训练阶段就通过数据增强模拟了所有这些误差模型已经学会了“去伪存真”关注的是陨石坑之间稳定的相对结构而非绝对的、可能有噪声的坐标值。2. 抗姿态扰动能力我们测试了相机俯仰角在-30°到30°范围内变化时系统的表现。在训练数据增强覆盖的±15°范围内系统准确率保持在90%以上。即使超出该范围至±20°准确率仍高于89%。这证明了系统对中等程度的姿态不确定性具有良好的容忍度。3. 成像高度变化通过改变缩放系数μ模拟了从50km到200km不同轨道高度下的成像。CraterSense在整个范围内的识别准确率波动小于2%表明其尺度不变性良好。4.5 系统级端到端测试最后我们在基于真实月球地形数据生成的合成图像上进行了完整的“检测-识别-定位”系统测试。在NavArea1和NavArea2两个区域各100个测试场景中系统整体的定位成功率分别达到95%和96%。这意味着在绝大多数情况下系统都能从一张没有任何先验信息的图像中成功找到至少4个正确的陨石坑匹配对并解算出航天器的位置。5. 总结与展望CraterSense的成功源于一个根本性的思路转变将复杂的几何匹配问题转化为一个结构感知的图像分类问题。通过设计稀疏结构图像这一巧妙的中间表示以及为其量身定制的CATSformer识别网络我们实现了精度、速度和鲁棒性的最佳平衡。几点关键的工程启示问题重构比算法微调更重要与其在传统的“检测-匹配”框架下苦苦优化匹配算法不如重新思考问题的本质。将陨石坑布局抽象为分类问题绕开了组合爆炸的难题。为数据特性设计模型没有万能的模型。CATSformer的令牌选择、中心注意力、结构位置编码每一项都是针对“稀疏”、“结构明确”这一数据特性的精准优化。这种领域定制化设计是获得极致性能的关键。鲁棒性源于数据再精巧的模型也怕没见过世面。我们通过全方位、高强度的数据增强模拟各种检测误差和姿态扰动让模型在“温室”里经历了“风雨”的洗礼这是其在真实复杂环境中表现稳定的根本保障。系统思维CraterSense是一个精心设计的系统。检测网络的双尺度头为识别提供可靠输入识别网络的高置信度输出为几何验证提供高质量候选最终通过PnP完成闭环。每个模块的改进都服务于最终的系统目标。当然这项工作仍有提升空间。未来的方向包括进一步压缩模型探索二值化或更极致的量化方案以适配算力更弱的星载计算机研究跨星球泛化能力让在月球上训练的模型经过少量调整就能用于火星或其他小天体探索在线学习或持续学习机制让探测器在任务过程中能自适应地学习新遇到的陨石坑特征。从更广阔的视角看CraterSense所代表的“结构感知稀疏建模”思想不仅适用于月球导航对于任何需要从稀疏、规则的几何结构中提取信息的任务——例如星空导航、工业零件识别、生物显微图像分析——都具有重要的借鉴意义。它证明了在特定领域放弃通用模型的“大而全”追求专用模型的“小而美”往往能走得更远。
