論文の概要: Using MRNet to Predict Lunar Rock Categories Detected by Chang'e 5 Probe

• arxiv url: http://arxiv.org/abs/2502.09952v1
• Date: Fri, 14 Feb 2025 07:12:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 14:47:32.559021
• Title: Using MRNet to Predict Lunar Rock Categories Detected by Chang'e 5 Probe
• Title（参考訳）: MRNetを用いたChang'e 5 Probeで検出された月状岩カテゴリの予測
• Authors: Jin Cui, Yifei Zou, Siyuan Zhang,
• Abstract要約: チャン5号のミッションで選ばれたオセアヌス・プロセララムには、様々な種類の岩石が含まれている。 データセットには100の画像が含まれており、ランダムにトレーニング、検証、テストセットに分割されている。 本稿では,月面画像のグローバル情報をフル活用するためにMRNetネットワークアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 11.35022157278453
• License:
• Abstract: China's Chang'e 5 mission has been a remarkable success, with the chang'e 5 lander traveling on the Oceanus Procellarum to collect images of the lunar surface. Over the past half century, people have brought back some lunar rock samples, but its quantity does not meet the need for research. Under current circumstances, people still mainly rely on the analysis of rocks on the lunar surface through the detection of lunar rover. The Oceanus Procellarum, chosen by Chang'e 5 mission, contains various kind of rock species. Therefore, we first applied to the National Astronomical Observatories of the China under the Chinese Academy of Sciences for the Navigation and Terrain Camera (NaTeCam) of the lunar surface image, and established a lunar surface rock image data set CE5ROCK. The data set contains 100 images, which randomly divided into training, validation and test set. Experimental results show that the identification accuracy testing on convolutional neural network (CNN) models like AlexNet or MobileNet is about to 40.0%. In order to make full use of the global information in Moon images, this paper proposes the MRNet (MoonRockNet) network architecture. The encoding structure of the network uses VGG16 for feature extraction, and the decoding part adds dilated convolution and commonly used U-Net structure on the original VGG16 decoding structure, which is more conducive to identify more refined but more sparsely distributed types of lunar rocks. We have conducted extensive experiments on the established CE5ROCK data set, and the experimental results show that MRNet can achieve more accurate rock type identification, and outperform other existing mainstream algorithms in the identification performance.
• Abstract（参考訳）: 中国のチャン5号ミッションは目覚ましい成功を収め、チャン5号が月面の画像を収集するためにオセアヌス・プロセララムを旅した。 過去半世紀にわたって、人々は月の岩のサンプルを回収してきたが、その量は研究の必要性を満たさない。 現在の状況では、人々は月面の岩石の分析を主に月面ローバーの検出に頼っている。 チャン5号のミッションで選ばれたオセアヌス・プロセララムには、様々な種類の岩石が含まれている。 そこで,我々は月面画像のNaTeCam(NaTeCam)を中国科学アカデミーの中国国立天文台に申請し,月面岩石画像データセットCE5ROCKを構築した。 データセットには100の画像が含まれており、ランダムにトレーニング、検証、テストセットに分割されている。 実験結果から、AlexNetやMobileNetのような畳み込みニューラルネットワーク(CNN)モデルにおける識別精度の検証は約40.0%であることがわかった。 本稿では,月面画像のグローバル情報をフル活用するために,MRNet(MoonRockNet)ネットワークアーキテクチャを提案する。 ネットワークの符号化構造は特徴抽出にVGG16を使用し、復号部は拡張畳み込みとU-Net構造を元のVGG16復号構造に追加する。 我々は,確立されたCE5ROCKデータセットに関する広範な実験を行い,実験結果から,MRNetはより正確な岩型識別を達成でき,既存の主流アルゴリズムよりも優れた識別性能が得られることが示された。

関連論文リスト

• Breccia and basalt classification of thin sections of Apollo rocks with deep learning [0.6282171844772422]
  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。
  論文  参考訳（メタデータ） (2024-10-28T13:45:22Z)
• Explainable Convolutional Networks for Crater Detection and Lunar Landing Navigation [3.1748489631597887]
  本稿では,インテリジェントな月面着陸のための透明で理解可能な予測手法を提案する。 特徴抽出構造として注意に基づくDarknet53を提案する。 クレーター検出とナビゲーションのタスクには、注目ベースのYOLOv3とアテンションベースのDarknet53-LSTMが紹介されている。
  論文  参考訳（メタデータ） (2024-08-24T14:17:30Z)
• Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities [88.398085358514]
  Contrastive Deepfake Embeddings (CoDE)は、ディープフェイク検出に特化した新しい埋め込み空間である。 CoDEは、グローバルローカルな類似性をさらに強化することで、対照的な学習を通じて訓練される。
  論文  参考訳（メタデータ） (2024-07-29T18:00:10Z)
• 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)
• 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)
• MIPI 2022 Challenge on RGBW Sensor Re-mosaic: Dataset and Report [90.34148262169595]
  本稿では,新しい画像センサと撮像アルゴリズムに着目した5つのトラックを含むMIPIの最初の課題を紹介する。 参加者は、高品質なRGBWとBayerペアの70(トレーニング)と15(検証)シーンを含む、新しいデータセットを与えられた。 すべてのデータは、屋外と屋内の両方でRGBWセンサーで撮影されました。
  論文  参考訳（メタデータ） (2022-09-15T06:06:56Z)
• MIPI 2022 Challenge on RGB+ToF Depth Completion: Dataset and Report [92.61915017739895]
  本稿では,新しい画像センサと撮像アルゴリズムに着目した5つのトラックを含むMIPIの最初の課題を紹介する。 参加者にはTetrasRGBDという,高品質な合成RGB+Depthトレーニングデータ18万組と,混合ソースからの2.3万組のテストデータを含む,新たなデータセットが提供される。 最終結果は客観的指標と平均オピニオンスコア(MOS)を主観的に評価する。
  論文  参考訳（メタデータ） (2022-09-15T05:31:53Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• 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)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• Analyzing the Dependency of ConvNets on Spatial Information [81.93266969255711]
  本稿では,空間シャッフルとGAP+FCを用いて,学習段階とテスト段階の両方で空間情報を破壊する手法を提案する。 空間情報は、後続の層から小さな性能低下で削除できることを観察する。
  論文  参考訳（メタデータ） (2020-02-05T15:22:32Z)

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。