論文の概要: Breccia and basalt classification of thin sections of Apollo rocks with deep learning

• arxiv url: http://arxiv.org/abs/2410.21024v1
• Date: Mon, 28 Oct 2024 13:45:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:20:16.123730
• Title: Breccia and basalt classification of thin sections of Apollo rocks with deep learning
• Title（参考訳）: 深層学習を伴うアポロ岩の薄切片のブレシア分類と玄武岩分類
• Authors: Freja Thoresen, Aidan Cowley, Romeo Haak, Jonas Lewe, Clara Moriceau, Piotr Knapczyk, Victoria S. Engelschiøn,
• Abstract要約: 月の岩石分類器は、月の岩石サンプルを分析するために宇宙飛行士に必要な情報を提供するツールである。 我々は、アポロ計画からの大量の薄切片画像を活用し、平面偏光(PPL)、横偏光(XPL)、反射光を様々な倍率で捉えた。 微調整されたInception-Resnet-v2ネットワークは、アポロの岩石の薄い断面画像から重要な特徴を効果的に抽出することができる。
• 参考スコア（独自算出の注目度）: 0.6282171844772422
• License:
• Abstract: Human exploration of the moon is expected to resume in the next decade, following the last such activities in the Apollo programme time. One of the major objectives of returning to the Moon is to continue retrieving geological samples, with a focus on collecting high-quality specimens to maximize scientific return. Tools that assist astronauts in making informed decisions about sample collection activities can maximize the scientific value of future lunar missions. A lunar rock classifier is a tool that can potentially provide the necessary information for astronauts to analyze lunar rock samples, allowing them to augment in-situ value identification of samples. Towards demonstrating the value of such a tool, in this paper, we introduce a framework for classifying rock types in thin sections of lunar rocks. We leverage the vast collection of petrographic thin-section images from the Apollo missions, captured under plane-polarized light (PPL), cross-polarised light (XPL), and reflected light at varying magnifications. Advanced machine learning methods, including contrastive learning, are applied to analyze these images and extract meaningful features. The contrastive learning approach fine-tunes a pre-trained Inception-Resnet-v2 network with the SimCLR loss function. The fine-tuned Inception-Resnet-v2 network can then extract essential features effectively from the thin-section images of Apollo rocks. A simple binary classifier is trained using transfer learning from the fine-tuned Inception-ResNet-v2 to 98.44\% ($\pm$1.47) accuracy in separating breccias from basalts.
• Abstract（参考訳）: 人類による月探査は、アポロ計画の最後に行われた活動に続いて、今後10年間に再開されることが期待されている。 月に戻る主な目的の1つは、科学的回帰を最大化するために高品質な標本を集めることに焦点を当て、地質サンプルの回収を継続することである。 宇宙飛行士がサンプル収集活動に関する決定を下すのを助けるツールは、将来の月のミッションの科学的価値を最大化することができる。 月の岩の分類器は、月の岩のサンプルを分析するために宇宙飛行士に必要な情報を提供するツールであり、サンプルのin-situ値の同定を強化することができる。 本稿では,このようなツールの価値を実証するために,月の岩の薄い部分の岩石の種類を分類する枠組みを提案する。 我々は、アポロ計画からの大量の薄切片画像の収集、平面偏光(PPL)、横偏光(XPL)、様々な倍率で反射光を捉えた。 コントラスト学習を含む高度な機械学習手法を用いて、これらの画像を分析し、意味のある特徴を抽出する。 インセプション-Resnet-v2ネットワークをSimCLR損失関数付きで微調整する。 微調整されたInception-Resnet-v2ネットワークは、アポロの岩石の薄い断面画像から重要な特徴を効果的に抽出することができる。 単純なバイナリ分類器は、細調整されたInception-ResNet-v2から98.44\%($\pm$1.47)の精度で玄武岩からブレシアを分離する転写学習を用いて訓練される。

関連論文リスト

• LuSNAR:A Lunar Segmentation, Navigation and Reconstruction Dataset based on Muti-sensor for Autonomous Exploration [2.3011380360879237]
  環境認識とナビゲーションアルゴリズムが月探査の基盤となっている。 既存の月のデータセットのほとんどは、単一のタスクをターゲットにしています。 本稿では,マルチタスク,マルチシーン,マルチラベルのベンチマークデータセットLuSNARを提案する。
  論文  参考訳（メタデータ） (2024-07-09T02:47:58Z)
• Learning Object-Centric Representation via Reverse Hierarchy Guidance [73.05170419085796]
  OCL(Object-Centric Learning)は、ニューラルネットワークが視覚的なシーンで個々のオブジェクトを識別できるようにする。 RHGNetは、トレーニングと推論プロセスにおいて、さまざまな方法で機能するトップダウンパスを導入している。 我々のモデルは、よく使われる複数のデータセット上でSOTA性能を達成する。
  論文  参考訳（メタデータ） (2024-05-17T07:48:27Z)
• 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)
• Guarantees for Epsilon-Greedy Reinforcement Learning with Function Approximation [69.1524391595912]
  エプシロングレーディ、ソフトマックス、ガウシアンノイズといった神秘的な探索政策は、いくつかの強化学習タスクにおいて効率的に探索することができない。 本稿では,このような政策を理論的に分析し,筋電図探索による強化学習のための最初の後悔とサンプル複雑度境界を提供する。
  論文  参考訳（メタデータ） (2022-06-19T14:44:40Z)
• Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
  遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。 ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。 提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-02T07:50:50Z)
• 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)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Model Optimization for Deep Space Exploration via Simulators and Deep Learning [0.0]
  ニューラルネットワークを用いた深層学習の応用を探索し、天体の検出を自動化します。 画像を取得して分析し、重要なものを返送する能力は、帯域制限のあるアプリケーションでは重要です。 複数のモデルアーキテクチャにおいて、比較的小さなトレーニングセットであっても、達成された最大精度が98%以上に達することが示される。
  論文  参考訳（メタデータ） (2020-12-28T04:36:09Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• Unsupervised Distribution Learning for Lunar Surface Anomaly Detection [0.0]
  月面リモートセンシングデータに,現代のデータ駆動機械学習技術がうまく適用可能であることを示す。 特に、アポロ15号の着陸モジュールを見つけるために、教師なし分布学習ニューラルネットワークモデルを訓練する。
  論文  参考訳（メタデータ） (2020-01-14T05:38:37Z)

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。