自监督学习引导火星地形图像的科学相关分类
计算机视觉与模式识别
2022-04-22 v1
摘要
火星车图像中的自动地形识别是一个重要问题，不仅关乎导航，也关乎有意研究岩石类型、并由此推及古代火星古气候与宜居性条件的科学家。现有标注火星地形的方法，要么使用非专家标注者产生粒度有限的分类法（如土壤、沙、基岩、浮岩等），要么依赖通用类别发现方法，往往产生如火星车部件与地貌等感知类，与地质分析无关。含细粒度地质/地貌地形类别的专家标注数据集稀缺或对公众不可及，且有时需从复杂标注中提取相关类别信息。为助力创建具详细地形类别的数据集，我们提出一种自监督方法，可对好奇号火星车（火星科学实验室）桅杆相机所摄图像中的沉积纹理聚类。我们随后对这些聚类作定性分析，并通过建立一组细粒度地形类别描述其地质意义。这些自动发现聚类的精度与地质验证表明，我们的方法有望用于重要地质特征的快速分类，从而助益我们生产大型、细粒度且公开可用的火星地形识别数据集这一长期目标。
引用
@article{arxiv.2204.09854,
title = {Self-Supervised Learning to Guide Scientifically Relevant Categorization of Martian Terrain Images},
author = {Tejas Panambur and Deep Chakraborty and Melissa Meyer and Ralph Milliken and Erik Learned-Miller and Mario Parente},
journal= {arXiv preprint arXiv:2204.09854},
year = {2022}
}
备注
Earthvision at CVPR Workshops 2022, Code and datasets are available at https://github.com/TejasPanambur/mastcam