利用深度学习在火星上进行自动陨石坑检测

撞击坑编录是研究太阳系行星体地质历史的重要工具，包括地表特征的定年和地表过程的地质制图。几十年来，人们通过多种方法创建了撞击坑目录，包括使用可见光或近红外图像以及数字地形模型。我提出了一种使用火星数字高程模型（DTM）的自动陨石坑检测与编录系统——在该算法中，首先使用具有 UNET 架构的卷积神经网络在 DTM 图像样本上将陨石坑识别为圆环或圆盘，然后使用圆匹配算法确定这些特征的位置和大小。我描述了该陨石坑检测算法（CDA），并将其性能与现有的陨石坑数据集进行了比较。我进一步检查了 CDA 遗漏的陨石坑以及该算法发现的潜在新陨石坑。结果表明，CDA 能够找到火星 DTM 中四分之三可分辨的陨石坑，与现有数据库相比，陨石坑直径的中位数差异为5-10%。该 CDA 的一个版本已被用于处理来自月球和水星的 DTM 数据 Silburt et al. (2019)。完整 CDA 的源代码可在 https://github.com/silburt/DeepMoon 获取，使用该 CDA 生成的火星陨石坑数据集可在 https://doi.org/10.5683/SP2/MDKPC8 获取。