由机器学习赋能的行星科学数据集特征提取与分类
地球与行星天体物理
2023-10-30 v1 天体物理仪器与方法
机器学习
摘要
本文介绍我们近期开展的两项应用机器学习(ML)神经网络(NN)于外行星任务图像数据集以实现特征识别的研究实例。第一项研究是识别木卫二破碎冰混沌区中的冰块(亦称筏块、板块、多边形)。我们采用迁移学习方法,向行业标准的Mask R-CNN(基于区域的卷积神经网络)添加并训练新层,以识别训练数据集中的标注块。随后用新数据集测试更新后的模型,取得68%的精度。在另一应用中,我们将Mask R-CNN应用于识别土卫六上的云,同样通过更新训练后对新数据测试,在369幅图像上达到95%精度。我们评估了技术的相对成功并建议如何进一步改进训练与识别。我们所用的行星数据集新方法可进一步应用于其他行星(包括地球)的类似识别任务。尤其对于外行星影像,该技术可通过星上识别最有趣图像子集或仅返回差分数据(发生变化处的图像)来极大减少返回数据量,从而大幅提升最终数据流的信息含量。
引用
@article{arxiv.2310.17681,
title = {Feature Extraction and Classification from Planetary Science Datasets enabled by Machine Learning},
author = {Conor Nixon and Zachary Yahn and Ethan Duncan and Ian Neidel and Alyssa Mills and Benoît Seignovert and Andrew Larsen and Kathryn Gansler and Charles Liles and Catherine Walker and Douglas Trent and John Santerre},
journal= {arXiv preprint arXiv:2310.17681},
year = {2023}
}