基于 Segment Anything Model (SAM) 的深度学习通用陨石坑检测
计算机视觉与模式识别
2023-04-18 v1 图像与视频处理
摘要
陨石坑是行星探测中最重要的形态学特征之一。为此，检测、制图与计数陨石坑是行星科学中的主流工作，目前主要依赖人工完成，这是一个非常费力且耗时的过程。近来，机器学习（ML）与计算机视觉已成功应用于检测陨石坑并估算其尺寸。现有的自动化陨石坑检测 ML 方法已在特定类型数据上训练，例如数字高程模型（DEM）、图像及轨道器（如月球勘测轨道器相机（LROC）等）的相关元数据。因此，各所得 ML 方案仅适用于训练过程中所用数据类型，才具备可用性与可靠性。来自不同来源、角度与设置的数据会损害这些 ML 方案的可靠性。本文提出一种基于 META AI 近期提出的 Segment Anything Model（SAM）的通用陨石坑检测方案。SAM 是一种可提示分割系统，对新奇物体与图像具备零样本泛化能力，无需额外训练。利用 SAM，我们可成功识别任意类型数据（如原始卫星图像 Level-1 与 2 产品、DEM 等）中类陨石坑物体，适用于不同设置（如月球、火星）与不同拍摄角度。此外，利用形状指数，我们仅保留类陨石坑特征的分割掩码。随后将这些掩码拟合为椭圆，恢复所检测陨石坑的位置与尺寸/几何信息。
引用
@article{arxiv.2304.07764,
title = {Deep learning universal crater detection using Segment Anything Model (SAM)},
author = {Iraklis Giannakis and Anshuman Bhardwaj and Lydia Sam and Georgios Leontidis},
journal= {arXiv preprint arXiv:2304.07764},
year = {2023}
}
备注
11 pages, 7 Figures, preprint of a submitted paper in Icarus (under review)