用于陨石坑检测与月球着陆导航的可解释卷积网络
计算机视觉与模式识别
2024-08-27 v1
摘要
近年来，月球着陆在月球探测中引起了极大兴趣，而自主月球着陆导航是这一任务的基础。人工智能有望在自主和智能太空任务中发挥关键作用，但人类专家质疑人工智能解决方案的可靠性。因此，本文研究了基于视觉的月球着陆的可解释人工智能，旨在为智能月球着陆提供透明且可理解的预测。提出了基于注意力的Darknet53作为特征提取结构。针对陨石坑检测和导航任务，分别提出了基于注意力的YOLOv3和注意力-Darknet53-LSTM。实验结果表明，所提出的网络在月球着陆期间的相对陨石坑检测和位姿估计方面提供了具有竞争力的性能。通过在模型构建过程中将注意力机制引入网络，实现了所提供网络的可解释性。此外，利用皮尔逊相关系数定量评估了所提出网络的可解释性，研究结果揭示了网络中不同卷积层的功能。
引用
@article{arxiv.2408.13587,
title = {Explainable Convolutional Networks for Crater Detection and Lunar Landing Navigation},
author = {Jianing Song and Nabil Aouf and Duarte Rondao and Christophe Honvault and Luis Mansilla},
journal= {arXiv preprint arXiv:2408.13587},
year = {2024}
}