論文の概要: Deep learning framework for crater detection and identification on the Moon and Mars

• arxiv url: http://arxiv.org/abs/2508.03920v1
• Date: Tue, 05 Aug 2025 21:29:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.448913
• Title: Deep learning framework for crater detection and identification on the Moon and Mars
• Title（参考訳）: 月と火星のクレーター検出と識別のための深層学習フレームワーク
• Authors: Yihan Ma, Zeyang Yu, Rohitash Chandra,
• Abstract要約: 衝突クレーターは、惑星の表面組成、地質学的履歴、衝突過程に関する重要な情報を提供する。 本稿では,衝突クレーターの検出と同定にディープラーニングモデルを適用した。 畳み込みニューラルネットワーク(CNN)やYOLOやResNetなど,新しいモデルを用いています。
• 参考スコア（独自算出の注目度）: 3.0223880754806514
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Impact craters are among the most prominent geomorphological features on planetary surfaces and are of substantial significance in planetary science research. Their spatial distribution and morphological characteristics provide critical information on planetary surface composition, geological history, and impact processes. In recent years, the rapid advancement of deep learning models has fostered significant interest in automated crater detection. In this paper, we apply advancements in deep learning models for impact crater detection and identification. We use novel models, including Convolutional Neural Networks (CNNs) and variants such as YOLO and ResNet. We present a framework that features a two-stage approach where the first stage features crater identification using simple classic CNN, ResNet-50 and YOLO. In the second stage, our framework employs YOLO-based detection for crater localisation. Therefore, we detect and identify different types of craters and present a summary report with remote sensing data for a selected region. We consider selected regions for craters and identification from Mars and the Moon based on remote sensing data. Our results indicate that YOLO demonstrates the most balanced crater detection performance, while ResNet-50 excels in identifying large craters with high precision.
• Abstract（参考訳）: 衝突クレーターは、惑星表面における最も顕著な地形学的特徴の一つであり、惑星科学研究において重要な存在である。 それらの空間分布と形態学的特徴は、惑星の表面組成、地質学的履歴、衝突過程に関する重要な情報を提供する。 近年、ディープラーニングモデルの急速な進歩により、自動クレーター検出への大きな関心が高まっている。 本稿では,衝突クレーターの検出と同定にディープラーニングモデルを適用した。 畳み込みニューラルネットワーク(CNN)やYOLOやResNetなど,新しいモデルを用いています。 本稿では,単純な古典的CNN,ResNet-50,YOLOを用いて,第1段のクレーター識別を特徴とする2段階のアプローチを特徴とするフレームワークを提案する。 第2段階では, YOLOをベースとしたクレーターの局所化検出手法を採用している。 そこで我々は,異なる種類のクレーターを検出し,識別し,選択した領域に対するリモートセンシングデータを用いた要約レポートを提示する。 我々は、リモートセンシングデータに基づいて、クレーターの選択された地域と火星と月からの識別について検討する。 以上の結果から, YOLOが最も平衡クレーター検出性能を示したのに対し, ResNet-50は高精度なクレーター同定に優れていたことが示唆された。

関連論文リスト

• Landslide Detection and Mapping Using Deep Learning Across Multi-Source Satellite Data and Geographic Regions [0.0]
  地すべりはインフラ、経済、生活に深刻な脅威をもたらす。 深層学習とリモートセンシングの進歩により、自動地すべり検出がますます効果的になっている。 本研究では,多ソース衛星画像と深層学習モデルを統合し,地すべりの識別と予測を強化する包括的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-01T18:34:42Z)
• Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better [63.567886330598945]
  赤外線小目標(IRST)検出は、精度、普遍性、堅牢性、効率的な性能を同時に達成する上で困難である。 現在の学習に基づく手法は、空間的領域と短期的領域の両方から"より多くの情報を活用する。 本稿では、IRST検出のための時間次元でのみ計算を行う効率的な深部プローブネットワーク(DeepPro)を提案する。
  論文  参考訳（メタデータ） (2025-06-15T08:19:32Z)
• EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
  本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。 このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。 このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
  論文  参考訳（メタデータ） (2025-01-14T13:42:22Z)
• Anomaly detection for the identification of volcanic unrest in satellite imagery [2.642212767247493]
  本稿では, 火山の変形を異常として識別する目的で, 衛星データに対する教師なし深層学習の利用について検討する。 我々の検出器はパッチ分布モデリング(PaDiM)に基づいており、検出性能は重み付き距離で向上する。
  論文  参考訳（メタデータ） (2024-05-28T18:00:10Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• FLOGA: A machine learning ready dataset, a benchmark and a novel deep learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
  森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。 本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。 このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。 我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
  論文  参考訳（メタデータ） (2023-11-06T18:42:05Z)
• Deep Learning based Systems for Crater Detection: A Review [5.141049647900161]
  クレーターは惑星表面における最も顕著な特徴の1つであり、年齢推定、ハザード検出、宇宙船の航法などの用途に用いられる。 他のコンピュータビジョンタスクと同様に、ディープラーニングベースのアプローチは近年クレーター検出の研究に大きな影響を与えている。 このレビューには、惑星データ、クレーターデータベース、評価指標を含む、多様なクレーター検出アプローチに関する140以上の研究が含まれている。
  論文  参考訳（メタデータ） (2023-09-28T18:06:15Z)
• 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)
• Detecting Methane Plumes using PRISMA: Deep Learning Model and Data Augmentation [67.32835203947133]
  PRISMAのような新世代の超スペクトル画像装置は、高空間分解能(30m)で宇宙からメタン(CH4)プラムの検出能力を著しく改善した。 ここでは、PRISMA衛星ミッションの画像を用いてCH4プラムを識別するための完全なフレームワークと、広範囲のプラムを検出可能なディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-17T17:36:05Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)

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。