論文の概要: Self-Supervised Learning to Guide Scientifically Relevant Categorization
of Martian Terrain Images
- arxiv url: http://arxiv.org/abs/2204.09854v1
- Date: Thu, 21 Apr 2022 02:48:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-23 02:06:52.620961
- Title: Self-Supervised Learning to Guide Scientifically Relevant Categorization
of Martian Terrain Images
- Title（参考訳）: 火星地形画像の科学的関連分類に関する自己監督学習
- Authors: Tejas Panambur, Deep Chakraborty, Melissa Meyer, Ralph Milliken, Erik
Learned-Miller, Mario Parente
- Abstract要約: キュリオシティ・ローバーに搭載されたマストカメラから撮影した画像に堆積テクスチャを集成する自己監督手法を提案する。
次に、これらのクラスターの定性的解析を行い、その地質学的意義を粒状地形群の作成を通して記述する。
- 参考スコア（独自算出の注目度）: 1.282755489335386
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic terrain recognition in Mars rover images is an important problem
not just for navigation, but for scientists interested in studying rock types,
and by extension, conditions of the ancient Martian paleoclimate and
habitability. Existing approaches to label Martian terrain either involve the
use of non-expert annotators producing taxonomies of limited granularity (e.g.
soil, sand, bedrock, float rock, etc.), or rely on generic class discovery
approaches that tend to produce perceptual classes such as rover parts and
landscape, which are irrelevant to geologic analysis. Expert-labeled datasets
containing granular geological/geomorphological terrain categories are rare or
inaccessible to public, and sometimes require the extraction of relevant
categorical information from complex annotations. In order to facilitate the
creation of a dataset with detailed terrain categories, we present a
self-supervised method that can cluster sedimentary textures in images captured
from the Mast camera onboard the Curiosity rover (Mars Science Laboratory). We
then present a qualitative analysis of these clusters and describe their
geologic significance via the creation of a set of granular terrain categories.
The precision and geologic validation of these automatically discovered
clusters suggest that our methods are promising for the rapid classification of
important geologic features and will therefore facilitate our long-term goal of
producing a large, granular, and publicly available dataset for Mars terrain
recognition.
- Abstract（参考訳）: 火星探査機ローバーの画像における地形の自動認識は、航海だけでなく、岩石の種類や古代火星の古気候や居住性の研究に関心を持つ科学者にとって重要な問題である。
火星の地形を分類するための既存のアプローチは、限られた粒度(例えば、土壌、砂、岩盤、フロートロックなど)の分類を生産する非専門家の注釈器の使用や、地質学的解析とは無関係なローバー部品や景観といった知覚的なクラスを生産する一般的なクラス発見アプローチに依存する。
地質学的・地形学的区分を含むエキスパートラベルデータセットは、稀に、あるいは一般に公開できないため、複雑なアノテーションから関連するカテゴリ情報を抽出する必要がある。
詳細な地形分類を持つデータセットの作成を容易にするため,キュリオシティ・ローバーに搭載されたマストカメラ(Mars Science Laboratory)から撮影した画像に堆積テクスチャを集成する自己教師手法を提案する。
次に,これらのクラスターの質的解析を行い,その地質学的意義を粒状地形群の作成を通じて記述する。
これらの自動的に発見されたクラスターの精度と地質学的検証は、我々の手法が重要な地質学的特徴の迅速な分類に有望であることを示し、そのため、火星の地形認識のための大規模で粒状で一般公開されたデータセットを作成するという長期的な目標を促進することを示唆している。
関連論文リスト
- Deep Semantic Model Fusion for Ancient Agricultural Terrace Detection [17.102691286544136]
本稿では,古代農耕段丘検出のための深部セマンティックモデル融合法を提案する。
提案手法は国際AI考古学チャレンジで優勝した。
論文 参考訳（メタデータ） (2023-08-04T09:42:14Z) - Knowledge distillation with Segment Anything (SAM) model for Planetary
Geological Mapping [0.7266531288894184]
本稿では,迅速なアノテーションと迅速な適応性を実現するための素早い基礎モデルの有効性を示す。
主要な結果は、知識蒸留を使用することで、手動アノテーションのドメインの専門家が必要とする労力を大幅に削減できることを示唆している。
このアプローチは、火星の地形を自動的に検出し、セグメンテーションすることで、地球外発見を加速する可能性がある。
論文 参考訳（メタデータ） (2023-05-12T16:30:58Z) - Semi-Automated Segmentation of Geoscientific Data Using Superpixels [4.035753155957697]
地質学的プロセスは、臨界鉱物、水、地熱エネルギーなどの資源の分布を決定する。
スーパーピクセルの概念に触発されて,類似した特徴を持つ領域に分割したサーベイデータに対する深層学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-20T19:21:46Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳（メタデータ） (2022-11-01T18:07:21Z) - PetroGAN: A novel GAN-based approach to generate realistic, label-free
petrographic datasets [0.0]
本研究では,GAN(Generative Adversarial Network)に基づく新しいディープラーニングフレームワークを開発し,最初のリアルな合成石油写真データセットを作成する。
トレーニングデータセットは、平面光と横偏光の両方で岩石の薄い部分の10070枚の画像で構成されている。
このアルゴリズムは264のGPU時間で訓練され、ペトログラフ画像のFr'echet Inception Distance(FID)スコアが12.49に達した。
論文 参考訳（メタデータ） (2022-04-07T01:55:53Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - Towards Robust Monocular Visual Odometry for Flying Robots on Planetary
Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。
高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。
また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-12T12:52:20Z) - Generalized Unsupervised Clustering of Hyperspectral Images of
Geological Targets in the Near Infrared [0.0]
スペクトルに類似した物質のクラスター化と分類は、しばしば、地球上の経済鉱物探査から火星での惑星探査まで、応用の第一歩である。
ここでは、専門的なスペクトル地質学者の入力と量的指標の両方から情報を得た特徴抽出とクラスタリングのための、完全に教師なしのワークフローを開発する。
このパイプラインは、類似の地質資料の高速かつ正確なクラスタリングマップを提供し、実験室の画像とリモートセンシング画像の両方の主要な鉱物クラスを一貫して識別し、分離する。
論文 参考訳（メタデータ） (2021-06-24T21:05:10Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Geo-Spatiotemporal Features and Shape-Based Prior Knowledge for
Fine-grained Imbalanced Data Classification [63.916371837696396]
細粒度分類は、類似のグローバル知覚とパターンを持つ項目を区別することを目的としているが、細部によって異なる。
私たちの主な課題は、小さなクラス間バリエーションと大きなクラス内バリエーションの両方から来ています。
我々は,野生生物の利用事例における細粒度分類を改善するため,いくつかの革新を組み合わせることを提案する。
論文 参考訳（メタデータ） (2021-03-21T02:01:38Z) - Semi-Supervised Semantic Segmentation in Earth Observation: The
MiniFrance Suite, Dataset Analysis and Multi-task Network Study [82.02173199363571]
我々は,地球観測における半教師付きセマンティックセマンティックセグメンテーションのための新しい大規模データセット,MiniFranceスイートを紹介した。
MiniFranceにはいくつかの前例のない特性があり、2000以上の超高解像度の空中画像を含み、200億枚以上のサンプル(ピクセル)を処理している。
外観の類似性やMiniFranceデータの徹底的な研究からデータ代表性分析のためのツールを提案し,半教師付き環境での学習や一般化に適していることを示す。
論文 参考訳（メタデータ） (2020-10-15T15:36:58Z)
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。