Noise-augmented synthetic training dataset for Small Body image semantic segmentation

The exploration of small bodies, such as asteroids and comets, requires increased spacecraft autonomy for critical operations like landing and Hazard Detection and Havoidance (HDA), where image-based semantic segmentation plays a key role. The major challenges in this field arise from the scarcity of labeled mission imagery and the domain gap between synthetic and real training data. This thesis addresses this challenges by proposing an improved state of the art procedural framework for the generation of synthetic datasets with automatic ground-truth labeling. Noise augmentation strategies are investigated to mitigate the domain shift, and two architectures, a baseline U-Net and a more advanced MultiRes U-Net, are trained exclusevely on synthetic data and tested on manually labeled images. Results show alignment with prior work by M.Pugliatti and M.Maestrini, with a marked improvement in background segmentation and an increase in the overall Mean Intersection over Union (MIoU). MultiRes U-Net achieved better results than the baseline, demonstrating superior generalization under domain shift. This study highlights the importance of training dataset design and the need to exploit more complex architectures and training strategy to further bridge the domain gap between synthetic and real data in support of autonomous space exploration.

L’esplorazione degli Small Body, come asteroidi e comete, richiede un elevato grado di autonomia da parte della sonda spaziale per operazioni critiche quali l’atterraggio e l’Hazard Detection and Avoidance (HDA), in cui la segmentazione di immagini riveste un ruolo fondamentale. Le principali sfide in questo ambito derivano dalla scarsità di immagini annotate di missioni reali, e dal divario presente fra i dati sintetici e dati reali. Questa tesi affronta tali problematiche proponendosi di migliorare il framework procedurale esistente in letteratura per la generazione di dataset sintetici con annotazione automatica. Vengono esplorate strategie di noise augmentation per mitigare il domain shift, e due architetture di rete convoluzionale, una rete U-Net come riferimento e una più complessa MultiRes U-Net, sono addestrate esclusivamente su dati sintetici e testate su immagini reali etichettate manualmente. I risultati sono in linea con i lavori precedenti di M.Pugliatti e M.Maestrini, ma mostrano un netto miglioramento nella segmentazione dello sfondo e un incremento della Mean Intersection over Union (MIoU). MultiRes U-Net ha ottenuto prestazioni migliori rispetto alla rete di riferimento, dimostrando maggiori capacità di generalizzazione in condizioni di domain shift. Lo studio mette in evidenza l’importanza della preparazione del dataset di addestramento, e la necessità di sfruttare architetture e strategie di allenamento più avanzate per ridurre ulteriormente il divario tra dominio sintetitco e reale a supporto dell’esplorazione spaziale autonoma.