基于深度学习的月球与火星坑洞检测与识别框架
计算机视觉与模式识别
2025-08-07 v1 人工智能
摘要
冲击坑洞是行星表面最显著的地形学特征之一，在行星科学研究中具有重要意义。它们的空间分布和形态特征提供了关于行星表面组成、地质历史及撞击过程的关键信息。近年来，深度学习模型的快速发展促进了自动化坑洞检测的兴趣。本文应用深度学习模型的最新进展进行冲击坑洞检测与识别。我们使用新型模型，包括卷积神经网络(CNN)及其变体，如YOLO和ResNet。我们提出的框架采用两阶段方法，其中第一阶段使用简单经典CNN、ResNet-50和YOLO进行坑洞识别。在第二阶段，我们的框架采用基于YOLO的检测进行坑洞定位。因此，我们检测并识别了不同类型的坑洞，并针对选定区域present了远程感应数据概览报告。我们根据远程感应数据从火星和月球选择的区域进行坑洞和识别。我们的结果表明，YOLO在坑洞检测方面表现最为均衡，而ResNet-50在识别大型坑洞时精度更高。
引用
@article{arxiv.2508.03920,
title = {Deep learning framework for crater detection and identification on the Moon and Mars},
author = {Yihan Ma and Zeyang Yu and Rohitash Chandra},
journal= {arXiv preprint arXiv:2508.03920},
year = {2025}
}