本文利用卫星图像和机器学习技术，应用卷积神经网络对天体的撞击坑进行自动检测，并取得了良好效果。
Jan, 2016
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
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
用神经网络和其他自动化方法进行撞击坑映射的研究近年来有所增加，应用于太阳系各个行星体的自动化撞击坑检测算法（CDAs）。本文比较了 Benedix 等人（2020）和 Lee＆Hogan（2021）的公开可用目录，并展示了使用测试目录的指标对报告性能敏感。作者通过采用更宽松的比较方法指出，允许较差的候选撞击坑与真实撞击坑匹配可以获得更高的 CDA 性能。作者展示了 Benedix 等人（2020）的目录在不断增加的纬度下有较大的性能损失，并确定了可能导致此损失的图像投影问题。最后，作者建议使用独立数据源或训练方法的辅助网络对生成的大型科学数据集中神经网络的应用进行验证。
Aug, 2023
本研究提出了一种基于分割的深度学习架构，用于表面异常检测和分割，在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能，可以使用少量的样本进行训练，因此可以实际应用于工业领域。
Mar, 2019
我们引入了一个系统来闭合真实环境与现有培训数据之间的 “真实性” 差距，同时保持标签的准确性。我们使用 CycleGAN 模型合成 LROC 和 PANGU 图像，结果表明这些改进了下游撞击坑分割网络的训练，与仅使用模拟的 PANGU 图像相比，真实 LROC 图像的分割性能得到提高。
Oct, 2023
通过研究验证了深度神经网络在可见光谱单眼相机拍摄的太空图像中克服了限制和图像伪影，解决了模糊、曝光问题、对比度不足和噪声等问题，并证明其在太空相关图像的纠正方面具有潜力，值得进一步减少计算复杂性的研究。
本文介绍了一种基于陨石坑的月球探测器定位技术，通过在轨数据重建陨石坑地图，并利用激光雷达和摄像机识别陨石坑地标，能够实现 5 到 10 米的定位精度。
Mar, 2022
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。