Nov, 2023

ConeQuest: 火星锥体分割基准测试

HTML
PDF
TL;DR火星上锥形陨石的计算机视觉分割困难，现有模型无法解决，需要更准确和强大的模型进行解决，我们提出了ConeQuest数据集作为新的基准测试集。
发现论文，激发创造
  • 自监督学习引导火星地形图像的科学相关分类

    该篇论文呈现了一种自主方法，用于在火星探测器图像中聚类沉积纹理，以便创建详细的地形类别数据集和地质分析，取得了较高的准确性和地质效验，为火星地形分类的快速识别提供了有前途的方法，并为实现生产大规模、细粒度和公开可用的火星地形识别数据集的长期目标开辟了道路。

    Apr, 2022

  • 提高视觉同质火星车图像的对比学习

    提出了两种方法来解决对比学习在火星图像数据集中面临的挑战，包括无监督的深度聚类方法和利用来自不同领域的数据混合以增加总体训练数据集的视觉多样性，从而最小化误判率并提高分类准确率。

    Oct, 2022

  • 基于Segment Anything (SAM)模型的知识蒸馏用于行星地质制图

    使用知识蒸馏技术结合 Segment Anything 模型加速行星地形图绘制，利用少量标注数据及领域专用译码器，实现了令人满意的语义分割结果，提高了图像分割任务的效率。

    May, 2023

  • 使用机器学习分析高分辨率数字火星图像

    应用卷积神经网络(CNN)识别火星表面的水冰碎片，以帮助识别适于进行水文学探测的区域。

    May, 2023

  • LROC-PANGU-GAN：用行星模拟器填补学习撞击坑分割的仿真缺口

    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

  • 基于深度学习的陨石坑检测系统：综述

    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

  • 利用深度学习在火星上对“脑珊瑚”地区进行划分

    火星勘测计划的主要目标之一是在该星球上寻找过去或现在的生命证据。为了实现这一目标，火星勘测一直关注可能存在液态或冰冻水的地区。本研究利用卷积神经网络检测火星表面的"大脑珊瑚"地形，该地形在形态和尺度上与地球上的排序石圈相似，暗示它可能是由于冻融周期形成的。我们使用约100-1000兆像素的火星勘测轨道器大图像以接近每像素几十厘米的分辨率（25-50厘米）搜索这些地形。在搜寻了52000多张图像（约28 TB，占火星表面的5%）后，在200多张图像中发现了这些地形。为了加快处理速度，我们在分割之前利用傅里叶域中的分类器网络（利用离散余弦变换的系数块而不是解码整个图像）利用JPEG压缩。这种混合流程方法在保持约93%的准确性的同时，总处理时间比在每个图像上以全分辨率运行分割网络削减了约95%。及时处理大数据集有助于指导任务操作、地质调查以优先考虑候选着陆点、避开危险区域或绘制特定地形的空间范围。分割遮罩和源代码已在Github上提供给社区进行探索和构建。

    Nov, 2023

  • 高分辨率卫星图像上行星表面巨石的自动特征描述

    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

  • 评估火星霜冻在可见光卫星观测中的地形相关性能

    通过使用数据科学技术（如卷积神经网络）自动检测地霜的可见迹象，本研究提出了一种新颖的空间划分数据的方法，以减少模型性能估计中的偏差，并阐明地质背景如何影响自动地霜检测，同时提出了减轻自动地霜检测中观察到的偏差的方法。

    Mar, 2024

  • MarsSeg: 使用多级特征提取器和连接器进行火星表面语义分割

    从火星表面的复杂地形、相似的表面特征和缺乏广泛标注数据等方面入手，该研究提出了一种名为MarsSeg的新型编码器-解码器火星分割网络，利用最小化下采样层数量的编码器-解码器结构以保留局部细节，并引入位于编码器和解码器之间的特征增强连接层，该层结合Mini-ASPP、PSA和SPPM等结构，实现遮蔽特征和深层特征的增强，进而在火星分割性能方面优于其他先进方法。

    Apr, 2024