将新颖性检测能力集成至MSL Mastcam操作以增强数据分析
机器学习
2021-07-27 v1 计算机视觉与模式识别
摘要
尽管科学仪器的创新拓展了火星车任务能力的边界，但数据复杂性的增加迫使火星科学实验室（MSL）及未来火星车操作人员快速分析复杂数据集，以满足日益缩短的战术与战略规划时间线。MSLWEB是操作人员用于对MSL图像序列（由桅杆相机Mastcam拍摄的一系列产品）进行初检的内部数据追踪工具。Mastcam的多波段多光谱图像序列相较于标准3波段RGB图像需要更复杂的分析。通常，这些序列使用传统方法分析以识别其中的独特特征。鉴于战术规划时间窗短（下传图像可能需在下次上载前5–10小时内分析），有必要对分析时间进行分诊，聚焦于最重要的序列及序列中的部分。我们通过为MSLWEB创建利用新颖性检测的产品来满足该需求，以帮助操作人员识别可能指示成像场景中探测到的新的或非典型成分与矿物学的不寻常数据。这通过两种方式实现：1）为每序列创建产品以识别图像中的新颖区域；2）为多光谱序列赋予可排序的新颖性分数。这些新产品提供推断新颖性的彩色热图，操作人员可用其快速审阅下传数据，并将精力集中于分析潜在新型的诊断性多光谱特征。该方法有望通过将科学家注意力迅速引向简单彩色合成中不可察觉的细微变化，从而引导新发现。
引用
@article{arxiv.2103.12815,
title = {Integrating Novelty Detection Capabilities with MSL Mastcam Operations to Enhance Data Analysis},
author = {Paul Horton and Hannah R. Kerner and Samantha Jacob and Ernest Cisneros and Kiri L. Wagstaff and James Bell},
journal= {arXiv preprint arXiv:2103.12815},
year = {2021}
}
备注
8 pages, 5 figure, accepted and presented at IEEE Aerospace Conference 2021