論文の概要: Deep learning universal crater detection using Segment Anything Model
(SAM)
- arxiv url: http://arxiv.org/abs/2304.07764v1
- Date: Sun, 16 Apr 2023 12:36:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 17:30:16.247305
- Title: Deep learning universal crater detection using Segment Anything Model
(SAM)
- Title（参考訳）: Segment Anything Model (SAM) を用いた深層学習ユニバーサルクレーター検出
- Authors: Iraklis Giannakis, Anshuman Bhardwaj, Lydia Sam, Georgios Leontidis
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.729108277517129
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Craters are amongst the most important morphological features in planetary
exploration. To that extent, detecting, mapping and counting craters is a
mainstream process in planetary science, done primarily manually, which is a
very laborious and time-consuming process. Recently, machine learning (ML) and
computer vision have been successfully applied for both detecting craters and
estimating their size. Existing ML approaches for automated crater detection
have been trained in specific types of data e.g. digital elevation model (DEM),
images and associated metadata for orbiters such as the Lunar Reconnaissance
Orbiter Camera (LROC) etc.. Due to that, each of the resulting ML schemes is
applicable and reliable only to the type of data used during the training
process. Data from different sources, angles and setups can compromise the
reliability of these ML schemes. In this paper we present a universal crater
detection scheme that is based on the recently proposed Segment Anything Model
(SAM) from META AI. SAM is a prompt-able segmentation system with zero-shot
generalization to unfamiliar objects and images without the need for additional
training. Using SAM we can successfully identify crater-looking objects in any
type of data (e,g, raw satellite images Level-1 and 2 products, DEMs etc.) for
different setups (e.g. Lunar, Mars) and different capturing angles. Moreover,
using shape indexes, we only keep the segmentation masks of crater-like
features. These masks are subsequently fitted with an ellipse, recovering both
the location and the size/geometry of the detected craters.
- Abstract（参考訳）: クレーターは惑星探査において最も重要な形態的特徴である。
そのため、クレーターの検出、マッピング、数え上げは、主に手作業で行う惑星科学の主流のプロセスであり、非常に退屈で時間を要するプロセスである。
近年、機械学習(ML)とコンピュータビジョンが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。
既存の機械学習による自動クレーター検出のアプローチは、例えばデジタル高度モデル(DEM)や画像、Lunar Reconnaissance Orbiter Camera(LROC)などのオービタのメタデータなど、特定の種類のデータで訓練されている。
そのため、それぞれのmlスキームは、トレーニングプロセスで使用されるデータの種類にのみ適用可能であり、信頼性がある。
異なるソース、角度、設定からのデータは、これらのMLスキームの信頼性を損なう可能性がある。
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。
samはプロンプト可能なセグメンテーションシステムで、追加のトレーニングを必要とせずに、未知のオブジェクトやイメージにゼロショット一般化できる。
SAMを用いて、様々な設定(例えば、ルナー、火星)と異なる捕獲角度のために、あらゆる種類のデータ(例えば、衛星画像のレベル1と2の製品、DEMなど)でクレーターのような物体を識別できる。
さらに,形状指標を用いてクレーター状特徴のセグメンテーションマスクのみを保持する。
これらのマスクには楕円が取り付けられ、検出されたクレーターの位置と大きさと形状の両方を復元する。
関連論文リスト
- MARs: Multi-view Attention Regularizations for Patch-based Feature Recognition of Space Terrain [4.87717454493713]
現在のアプローチは、事前収集されたパッチベースの機能とテンプレートマッチングに依存している。
マルチビューアテンション・レギュラライゼーション(MAR)を導入し,複数の特徴ビューにまたがるチャネルと空間的注意を制約する。
地形特徴認識性能は85%以上向上した。
論文 参考訳（メタデータ） (2024-10-07T16:41:45Z) - Multi-Scale and Detail-Enhanced Segment Anything Model for Salient Object Detection [58.241593208031816]
Segment Anything Model (SAM) は、強力なセグメンテーションと一般化機能を提供する視覚的基本モデルとして提案されている。
実物検出のためのMDSAM(Multi-scale and Detail-enhanced SAM)を提案する。
実験により,複数のSODデータセット上でのモデルの優れた性能が示された。
論文 参考訳（メタデータ） (2024-08-08T09:09:37Z) - Self-supervised 3D Point Cloud Completion via Multi-view Adversarial Learning [61.14132533712537]
我々は、オブジェクトレベルとカテゴリ固有の幾何学的類似性の両方を効果的に活用するフレームワークであるMAL-SPCを提案する。
私たちのMAL-SPCは3Dの完全な監視を一切必要とせず、各オブジェクトに1つの部分点クラウドを必要とするだけです。
論文 参考訳（メタデータ） (2024-07-13T06:53:39Z) - SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。
具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。
様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T07:03:51Z) - Metric3D: Towards Zero-shot Metric 3D Prediction from A Single Image [85.91935485902708]
ゼロショット単視距離深度モデルの鍵は、大規模データトレーニングと様々なカメラモデルからの距離あいまいさの解消の組合せにあることを示す。
本稿では,あいまいさ問題に明示的に対処し,既存の単分子モデルにシームレスに接続可能な標準カメラ空間変換モジュールを提案する。
本手法は, ランダムに収集したインターネット画像上での計測3次元構造の正確な復元を可能にする。
論文 参考訳（メタデータ） (2023-07-20T16:14:23Z) - Autonomous crater detection on asteroids using a fully-convolutional
neural network [1.3750624267664155]
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。
論文 参考訳（メタデータ） (2022-04-01T14:34:11Z) - A Spacecraft Dataset for Detection, Segmentation and Parts Recognition [42.27081423489484]
本稿では,宇宙船検出,インスタンスのセグメンテーション,部分認識のためのデータセットをリリースする。
この研究の主な貢献は、宇宙ステーションと衛星の画像を用いたデータセットの開発である。
また、データセットのベンチマークとして、オブジェクト検出やインスタンスセグメンテーションにおける最先端の手法による評価も提供する。
論文 参考訳（メタデータ） (2021-06-15T14:36:56Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳（メタデータ） (2021-04-08T19:04:55Z) - Towards an Automatic System for Extracting Planar Orientations from
Software Generated Point Clouds [1.0705399532413615]
地質学における重要な活動は、平面方位測定を用いた地質構造の特徴化である。
このプロセスを自動化するために、Lidarのような様々な計算技術や技術が利用されている。
本稿では,向き測定の自動化を目的とした,データ取得手法と機械学習に基づくソフトウェアシステムgeostructureを提案する。
論文 参考訳（メタデータ） (2020-12-22T01:35:47Z) - Lunar Crater Identification in Digital Images [0.0]
しばしば、月面の単一の画像で観測されたクレーターのパターンを特定する必要がある。
このいわゆる「ロスト・イン・スペース」クレーターの識別問題は、クレーターベースの相対航法(TRN)と科学画像の自動登録の両方で一般的である。
この研究は、一般的なクレーター同定問題の数学的に厳密な扱いを初めて提供する。
論文 参考訳（メタデータ） (2020-09-02T17:59:51Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳（メタデータ） (2020-03-28T18:51:43Z)
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。