基于高分辨率卫星图像的行星表面巨石自动表征
地球与行星天体物理
2024-01-17 v1 天体物理仪器与方法
机器学习
图像与视频处理
摘要
巨石由多种地质过程形成，其大小、形状和方向可能有助于我们更好地理解这些过程。此外，它们代表着航天器着陆需要表征的潜在危险。然而，在广阔区域内绘制单个巨石地图极其耗费人力，往往限制了巨石表征的范围和所获巨石形态测量数据的统计稳健性。为了实现巨石表征的自动化，我们使用实例分割神经网络 Mask R-CNN 来检测和勾勒高分辨率卫星图像中的巨石轮廓。我们的神经网络 BoulderNet 是基于一个包含来自地球、月球和火星的超过 750 个图像瓦片中超过 33,000 块巨石的数据集训练而成的。BoulderNet 不仅能正确检测图像中的大多数巨石，还能高保真地识别巨石轮廓，当仅考虑交并比大于 50% 的检测结果时，相对于测试数据集中人工数字化的巨石，其平均精确率和召回率分别达到 72% 和 64%。这些值与人工绘图员获得的值相似。在地球上，从预测结果中提取的等效巨石直径、纵横比和方向与地面实测值进行了基准比较，其结果分别在地面真值的 15%、0.20 和 20 度以内。相对于现有方法，BoulderNet 实现了更好的巨石检测和表征性能，为表征行星表面整个巨石场提供了一个通用的开源工具。
引用
@article{arxiv.2401.07528,
title = {Automatic characterization of boulders on planetary surfaces from high-resolution satellite images},
author = {Nils C. Prieur and Brian Amaro and Emiliano Gonzalez and Hannah Kerner and Sergei Medvedev and Lior Rubanenko and Stephanie C. Werner and Zhiyong Xiao8 and Dmitry Zastrozhnov and Mathieu G. A. Lapôtre},
journal= {arXiv preprint arXiv:2401.07528},
year = {2024}
}