利用深度约束聚类增强火星地形识别
计算机视觉与模式识别
2025-03-25 v1
摘要
火星地形识别对于推进我们对地形学、地貌学、古气候和宜居性的理解至关重要。尽管深度聚类方法在学习火星漫游车图像的语义齐次特征嵌入方面已展现出良好前景，但强度、尺度和旋转的自然变化仍对准确的地形分类构成重大挑战。为应对这些局限，我们提出了深度约束聚类与度量学习（DCCML），这是一种利用多种约束类型来引导聚类过程的新颖算法。DCCML 结合了从相邻图像块之间的空间和深度相似性导出的软 must-link 约束，以及来自立体相机对和时间相邻图像的硬约束。在 Curiosity 漫游车数据集（150 个聚类）上的实验评估表明，DCCML 将齐次聚类增加了 16.7%，同时将 Davies-Bouldin 指数从 3.86 降至 1.82，并将检索准确率从 86.71% 提升至 89.86%。这一改进使得火星地质特征的分类更加精确，提升了我们分析与理解火星景观的能力。
引用
@article{arxiv.2503.17633,
title = {Enhancing Martian Terrain Recognition with Deep Constrained Clustering},
author = {Tejas Panambur and Mario Parente},
journal= {arXiv preprint arXiv:2503.17633},
year = {2025}
}