論文の概要: Autonomous crater detection on asteroids using a fully-convolutional
neural network
- arxiv url: http://arxiv.org/abs/2204.00477v1
- Date: Fri, 1 Apr 2022 14:34:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-04 15:22:51.689672
- Title: Autonomous crater detection on asteroids using a fully-convolutional
neural network
- Title（参考訳）: 完全畳み込みニューラルネットワークによる小惑星の自律クレーター検出
- Authors: Francesco Latorre, Dario Spiller and Fabio Curti
- Abstract要約: 本稿では,完全畳み込みニューラルネットワークU-Netを用いた自律クレーター検出のCeresへの適用について述べる。
U-Netは、LROと手動クレーターカタログによって収集されたデータに基づいて、ムーン・グローバル・モルフォロジー・モザイクの光学画像に基づいて訓練されている。
訓練されたモデルは、Ceresの100、500、1000の画像を使って微調整されている。
- 参考スコア（独自算出の注目度）: 1.3750624267664155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper shows the application of autonomous Crater Detection using the
U-Net, a Fully-Convolutional Neural Network, on Ceres. The U-Net is trained on
optical images of the Moon Global Morphology Mosaic based on data collected by
the LRO and manual crater catalogues. The Moon-trained network will be tested
on Dawn optical images of Ceres: this task is accomplished by means of a
Transfer Learning (TL) approach. The trained model has been fine-tuned using
100, 500 and 1000 additional images of Ceres. The test performance was measured
on 350 never before seen images, reaching a testing accuracy of 96.24%, 96.95%
and 97.19%, respectively. This means that despite the intrinsic differences
between the Moon and Ceres, TL works with encouraging results. The output of
the U-Net contains predicted craters: it will be post-processed applying global
thresholding for image binarization and a template matching algorithm to
extract craters positions and radii in the pixel space. Post-processed craters
will be counted and compared to the ground truth data in order to compute image
segmentation metrics: precision, recall and F1 score. These indices will be
computed, and their effect will be discussed for tasks such as automated crater
cataloguing and optical navigation.
- Abstract（参考訳）: 本稿では,完全畳み込みニューラルネットワークU-Netを用いた自律クレーター検出のCeresへの適用について述べる。
u-netは、lroと手動クレーターカタログから収集されたデータに基づいて、月の地球形態モザイクの光学画像に基づいて訓練されている。
月で訓練されたネットワークは、ceresの夜明けの光学画像でテストされる。
訓練されたモデルは、Ceresの100、500、1000の画像を使って微調整されている。
テスト性能は、画像を見ることのなかった350で測定され、それぞれ96.24%、96.95%、97.19%の精度に達した。
これは、月とケレスに固有の違いがあるにもかかわらず、TLは奨励的な結果をもたらすことを意味する。
U-Netの出力には予測クレーターが含まれており、画像二項化のグローバルしきい値処理と、画素空間におけるクレーターの位置と半径を抽出するためのテンプレートマッチングアルゴリズムが後処理される。
ポストプロセスされたクレーターは、精度、リコール、f1スコアなどの画像セグメンテーションメトリクスを計算するために、地上の真理データと比較される。
これらの指標は計算され、その効果はクレーターの自動カタログ作成や光学ナビゲーションなどのタスクで議論される。
関連論文リスト
- Semantic segmentation on multi-resolution optical and microwave data using deep learning [0.0]
畳み込みニューラルネットワークに基づく修正U-NetモデルとVGG-UNetモデルにより、衛星画像からオブジェクトを自動的に識別する。
Cartosat 2S (1m空間分解能)データセットが使用された。
ディープラーニングモデルは、95%以上の精度でテストデータセットから構築された形状と船を検出するために実装された。
論文 参考訳（メタデータ） (2024-11-12T06:33:09Z) - Deep learning universal crater detection using Segment Anything Model
(SAM) [6.729108277517129]
クレーターは惑星探査において最も重要な形態学的特徴の一つである。
機械学習(ML)とコンピュータビジョンはクレーターの検出とそのサイズ推定の両方に成功している。
本稿では,META AIから最近提案されたSegment Anything Model(SAM)に基づく,普遍的なクレーター検出手法を提案する。
論文 参考訳（メタデータ） (2023-04-16T12:36:37Z) - Pixel Difference Networks for Efficient Edge Detection [71.03915957914532]
本稿では,Pixel Difference Network (PiDiNet) という軽量かつ効率的なエッジ検出アーキテクチャを提案する。
BSDS500、NYUD、Multicueのデータセットに関する大規模な実験が、その効果を示すために提供されている。
0.1M未満のパラメータを持つPiDiNetのより高速なバージョンは、200FPSのアーティファクトで同等のパフォーマンスを達成できる。
論文 参考訳（メタデータ） (2021-08-16T10:42:59Z) - Stereo Matching by Self-supervision of Multiscopic Vision [65.38359887232025]
カメラ位置の整列で撮影した複数の画像を利用したステレオマッチングのための新しい自己監視フレームワークを提案する。
ネットワークを最適化するために、クロスフォトメトリックロス、不確実性を認識した相互監督損失、および新しい平滑性損失が導入されます。
我々のモデルは、KITTIデータセット上の以前の教師なし手法よりも、より良い不均一性マップを得る。
論文 参考訳（メタデータ） (2021-04-09T02:58:59Z) - Automated crater detection with human level performance [0.0]
本稿では,専門家と競合し,数百倍高速なクレーター検出アルゴリズムを提案する。
このアルゴリズムは複数のニューラルネットワークを使って、デジタル地形モデルと熱赤外画像を処理する。
我々は直径3km以上の既知のクレーターの80%を発見し、7,000の新しいクレーターを同定した。
論文 参考訳（メタデータ） (2020-10-23T16:36:31Z) - A New Mask R-CNN Based Method for Improved Landslide Detection [54.7905160534631]
本稿では,Mask R-CNN機能を利用した地すべり検出手法を提案する。
地すべり及び非地すべり画像を含む160個の要素からなるデータセットを作成する。
提案アルゴリズムは丘陵地帯の土地利用計画立案者や政策立案者にとって潜在的に有用である。
論文 参考訳（メタデータ） (2020-10-04T07:46:37Z) - Lunar Terrain Relative Navigation Using a Convolutional Neural Network
for Visual Crater Detection [39.20073801639923]
本稿では、畳み込みニューラルネットワーク(CNN)と画像処理を用いて、シミュレーションされた宇宙船の位置を追跡するシステムを提案する。
CNNはLunaNetと呼ばれ、シミュレートされたカメラフレームのクレーターを視覚的に検出し、これらの検出は現在の推定された宇宙船の位置の領域にある既知の月のクレーターと一致している。
論文 参考訳（メタデータ） (2020-07-15T14:19:27Z) - Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。
実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。
本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-10T00:33:18Z) - Self-supervised Learning for Astronomical Image Classification [1.2891210250935146]
天文学では、毎日大量の画像データが測光サーベイによって生成される。
本稿では,未ラベルの天体画像から深部畳み込みニューラルネットワークを学習する手法を提案する。
論文 参考訳（メタデータ） (2020-04-23T17:32:19Z) - Speak2Label: Using Domain Knowledge for Creating a Large Scale Driver
Gaze Zone Estimation Dataset [55.391532084304494]
ワイルド・データセットのドライバ・ゲイズには、夕方を含む1日の異なる時間に撮影された586の録音が含まれている。
ワイルド・データセットのドライバ・ゲイズには338人の被験者がおり、年齢は18-63歳である。
論文 参考訳（メタデータ） (2020-04-13T14:47:34Z) - R-FCN: Object Detection via Region-based Fully Convolutional Networks [87.62557357527861]
我々は,高精度かつ効率的な物体検出のための領域ベースの完全畳み込みネットワークを提案する。
我々の結果は、Faster R-CNNよりも2.5-20倍高速で、1画像あたり170msのテストタイムで達成される。
論文 参考訳（メタデータ） (2016-05-20T15:50:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。