评估火星霜冻在可见光卫星观测中的地形相关性能
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
本文介绍了一种实时的几何人工智能（GeoAI）工作流程，用于对高精度（0.5米）商业成像进行大规模图像分析和北极多年冻土特征的细分。使用基于轻量级深度学习的实例分割模型SparseInst，通过引入和使用实例激活映射来准确定位图像场景中的对象位置，以实现实时预测。实验结果表明，该模型可以以比流行的Mask-RCNN模型更快的推理速度达到更好的预测准确性。
Jun, 2023
利用机器学习技术，我们提出了一种新颖的火星气候建模方法，设计并使用了深度神经网络，准确地模拟了盖尔陨石坑的相对湿度，该模型利用火星行星气候模型生成的仿真气象变量，具有平均误差为3％和R^2得分为0.92的精确预测能力，并通过提供相对湿度的分位数范围预测方法应对需要值范围的应用需求。
Sep, 2023
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。
Nov, 2023
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
通过应用卷积神经网络（CNN）自动搜索及分析高分辨率成像科学实验（HiRISE）从火星勘测轨道飞行器任务获取的图像，本研究旨在调查表面的冰凝结期，并利用CNN训练模型识别小冰斑块，从而使大量数据集的分析成为可能。
Dec, 2023
北极永久冻土由于全球气候变化而面临重大变化，远程感知在更好地了解北极的根本过程方面发挥着关键作用。本研究侧重于远程检测退化性融沉积（RTS），这是一种与融化引起的滑坡类似的永久冻土干扰。针对来自空间的此类分析，深度学习已成为一种不可或缺的工具，但有限的标记训练数据仍然是训练准确模型的挑战。为了改善模型在北极的普适性而不需要额外的标记数据，我们提出了一种半监督学习方法来训练语义分割模型以检测RTS。我们的框架PixelDINO同时在标记数据和未标记数据上进行训练。对于未标记的数据，模型将图像分割为自学习的伪类，并且训练过程确保了这些伪类在输入数据的强增强过程中的一致性。我们的实验证明，PixelDINO可以提高模型性能，不仅优于监督基线方法，还优于现有的半监督语义分割方法，凸显了其在训练能够很好地推广到未包含在训练数据中的地区的鲁棒模型的潜力。
Jan, 2024
为了解决冰卫星着陆任务中的采样自主性问题，我们提出了图形化工具用于冰卫星表面模拟 (GUISS) 框架，用于生成深度估计的立体数据集，并评估了传统和深度学习算法在不同的可视化假设下的性能。
Jan, 2024
利用深度卷积自编码神经网络，基于L波段微波辐射测量方法，提出了一种新框架用于估计北半球的地貌土壤冻融过程，从而深入了解多年冻土对全球变暖和区域、全球碳预算的响应。该框架通过将冻结状态视为正常状态，将融化状态视为异常状态，将地貌冻融过程检测问题定义为时间序列异常检测问题，并利用自编码器通过对亮温时间序列进行监督重构，通过对比性损失函数来概率性地恢复冻融过程，寒冬和夏季峰值时最小化（最大化）重构误差。利用土壤湿度主动被动（SMAP）卫星提供的数据，证明该框架学会了隔离不同土地表面类型上的地貌冻融状态，这些类型与雪盖辐射特性、湖冰现象学和植被冠层的复杂性有关。在阿拉斯加地区与现场地面观测进行对比评估，与传统的归一化极化比阈值方法相比，显示出更小的不确定性。
Jul, 2024