利用深度学习绘制火星上的“脑地形”区域

火星探测计划的主要目标之一是寻找该行星上过去或当前生命的证据。为实现这一目标，火星探测一直聚焦于可能有液态或冰冻水的区域。一组关键区域在相对较近的过去可能经历了冰融化的周期，以响应火星倾角的周期性变化。在这项工作中，我们使用卷积神经网络来检测包含“脑珊瑚”地形的表面区域，这是一种火星地貌，其与地球上分选石环在形态和尺度上的相似性表明它可能是由冻结/融化循环形成的。我们使用来自火星侦察轨道器的超大图像（约100-1000兆像素）以接近每像素几十厘米（约25-50厘米）的分辨率搜索这些地貌。搜索了超过52,000张图像（约28 TB）（约占火星表面的5%），在超过200张图像中发现了检测结果。为加速处理，我们在傅里叶域中利用分类器网络（在分割之前），该网络可通过利用离散余弦变换的系数块来代替以全空间分辨率解码整个图像，从而利用JPEG压缩。与在每张图像上以全分辨率运行分割网络相比，这种混合流水线方法保持了约93%的准确率，同时减少了约95%的总处理时间。大数据集的及时处理有助于告知任务操作、地质调查以优先候选着陆点、避开危险区域或绘制某些地形的空间范围。分割掩码和源代码已在Github上提供，供社区探索和扩展。