Les algorithmes traditionnels d'estimation de pose monoculaire utilisent des réseaux convolutionnels pour localiser plusieurs points clés dans l'image, puis estiment la pose de la cible basées sur la correspondance 2D-3D. Cependant, la distribution des points clés sur les satellites est assez dispersée, et en raison du champ réceptif limité des réseaux convolutionnels, la précision de localisation des points clés est faible, ce qui affecte la précision de l'estimation de pose ultérieure. De plus, le processus traditionnel nécessite un étiquetage manuel des positions des points clés et du masque de l'objet, ce qui engendre un coût élevé. Pour résoudre le problème du champ réceptif limité, un mécanisme d'attention automatique a été introduit dans le réseau convolutionnel, lui conférant une capacité de modélisation globale, améliorant ainsi la précision de localisation des points clés. Afin d'améliorer le problème de forte dépendance à l'étiquetage manuel, grâce à la sculpture spatiale, le nuage de points de l'objet a été reconstruit, puis reprojeté sur le plan pixel, permettant l'obtention automatisée des étiquettes nécessaires, simplifiant le processus d'annotation manuelle et augmentant la praticabilité de l’algorithme. Les résultats expérimentaux montrent que l'algorithme proposé a été vérifié sur le dataset SPEED, avec une précision de localisation des points clés de 92%, une erreur de translation de pose de 0,236%, et une erreur de rotation de pose de 9,86 × 10^-3 radians, améliorant la précision tout en simplifiant la complexité de l'algorithme. Il peut être appliqué efficacement à l'estimation de la pose relative entre engins spatiaux.

vision par ordinateur;estimation de pose;détection de points clés;attention automatique;sculpture spatiale