卷积神经网络在陨坑检测中的应用
该研究综述了基于深度学习的撞击坑检测算法的发展，讨论了撞击坑检测的挑战以及不同的算法类别，包括语义分割、目标检测和分类。研究还对在常见数据集上进行的语义分割算法的训练和测试进行了评估，并提出了未来研究的建议。
Sep, 2023
提出了一种基于 Segment Anything Model 的通用撞击坑检测方案，可以成功地在不同的数据类型（如原始卫星图像、DEM 等）、不同的设置（如月球，火星）和不同的捕获角度下识别撞击坑外观对象，并使用形状指标拟合椭圆恢复检测到的撞击坑的位置和大小 / 几何。
Apr, 2023
火星陨石坑的实时分析对任务关键操作至关重要，包括安全降落和地质探测。本研究利用最新突破，实现了在航天器上对陨石坑的边缘检测。我们在火星陨石坑数据集上对几个 YOLO 网络进行了严格的基准测试，分析了它们在嵌入式系统上的性能，重点优化低功耗设备。我们为新一代成本效益高、基于商用现成产品的较小卫星进行了优化。在包括 Google Coral Edge TPU、AMD Versal SoC VCK190、Nvidia Jetson Nano 和 Jetson AGX Orin 在内的多种平台上进行了详细的权衡分析。我们的研究结果确定了最佳的网络设备配对，提高了在资源受限硬件上进行陨石坑检测的可行性，为高效和弹性的星际图像处理设定了新的先例。代码：该网址链接。
May, 2024
本论文采用各种深度学习模型，如 VGG19、ResNet50、Inception V3 和 EfficientNetV2，在表面裂缝检测上进行了精细调整，并通过精确度、召回率和 F1 得分进行了比较。
Jan, 2024
采用机器学习神经网络来识别外行星任务的图像数据集，以实现特征识别。我们分别应用了转移学习和更新的训练模型的方法来识别埃罗帕上混沌区断裂冰的冰块，以及通过训练模型来识别土卫六上的云，进一步验证了我们的技术。
Oct, 2023
对含有斜视角度的图像中的撞击坑检测算法的性能进行了评估，结果表明在含有真实月球图像的预训练下，该算法具有较高的检测性能。同时提供了首个包含斜视角度图像的撞击坑检测算法数据集，以进一步发展更为稳健的算法。
Jun, 2024
本研究提出了一种卷积神经网络的框架来进行基于卫星图像的变化检测，通过阈值化和划分网格来找到灾害影响最严重的区域，并使用新的灾害影响指数（DII）来衡量自然灾害的影响。在应用于飓风哈维和圣塔罗莎大火数据集时，框架的 F1 分数分别为 81.2％和 83.5％。
Dec, 2018
通过使用一个实例分割神经网络（BoulderNet）并利用高分辨率卫星图像，以不同行星表面为数据集，我们可以自动化检测和轮廓描绘巨石，达到与人工描绘相似的性能，并提供了一个通用的开源工具来描述整个巨石领域。
Jan, 2024
该研究探索了使用无监督深度学习在卫星数据中识别火山变形作为异常的方法，利用 Patch Distribution Modeling (PaDiM) 模型并通过加权距离增强检测性能，同时还提出了预处理方法来处理噪声和不完整数据点。最终使用五座具有不同变形特征的火山进行测试，并与监督学习方法进行了性能比较。
May, 2024