提出了名为CPSeg的新型实时端到端全景分割网络，该网络采用共享编码器、双解码器和无聚类实例分割头，以动态支柱化前景点，通过学习嵌入来获得实例标签，并通过成对嵌入比较找到连接柱来转化传统的基于提案或聚类的实例分割为二元分割问题。在SemanticKITTI和nuScenes两个大规模自动驾驶数据集上进行了基准测试，结果表明CPSeg在两个数据集上都达到了实时方法的最先进水平。

Nov, 2021

本文使用综合梯度来描述每个神经元对输出类的归因，并提供一套可解释性工具，使神经元对于分类的个人贡献可以排名和可视化。该技术将使神经网络更小、更高效并且更可测试，有助于实现在小型嵌入式系统中的实施，更易于验证和验证，并促进将深度学习应用于未来的原地行星探测任务。

Jan, 2022

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

本论文介绍了一种半监督机器视觉框架，使用对比学习和注释数据来有效地解决在火星图像数据的分类和分割任务中面对的挑战，并通过在有标注和无标注数据上的学习来提高模型性能和优化处理火星数据的效果。

Jun, 2022

本研究提出了一种半监督学习方法，利用无监督对比预训练，实现了火星表面的多任务语义分割。实验证明使用混合域训练集可以显著提高模型在多个火星探测任务中的准确性。提供不同损失函数的加权方法可显著提高模型对于稀有类别的识别率。

Sep, 2022

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

我们提出了一个全自动/模型不可知的偏置消除框架MARS，使用无监督技术的语义一致特征来消除伪标签中的偏置对象，在PASCAL VOC 2012和MS COCO 2014等数据集上取得了新的最先进结果。

Apr, 2023

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

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