論文の概要: A Machine Learning Based Search for Lunar Anomalies
- arxiv url: http://arxiv.org/abs/2608.09350v1
- Date: Mon, 10 Aug 2026 09:30:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.185344
- Title: A Machine Learning Based Search for Lunar Anomalies
- Title（参考訳）: 学習による月状異常の探索
- Abstract要約: LesnikowskiらによるVAE(Beta-Variational Autoencoder)の能力試験(2024年)を目指す。
VAEは月の表面を横断する異常な特徴を識別し、科学的に有用な地質構造だけでなく、着陸宇宙船のような人工的な天体も発見する。
この調査はさらに、このモデルが異常な表面の特徴を見つける能力を評価し、2つの場所(プラケット・クレーターとパラセルス・C・クレーター)と多くの着陸した技術資産を統計的に有意な速度で回収することに成功している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Lunar Reconnaissance Orbiter (LRO) has been collecting high-resolution images (at around 0.5-2 meters per pixel linearly with its Narrow Angle Camera) of the Moon since 2009, amassing a large dataset of images and offering researchers the opportunity to study the surface of the Moon at unprecedented scale. Here, we aim to test the abilities of the Beta-Variational Autoencoder (VAE) created by Lesnikowski et al. (2024), an unsupervised learning model which identifies anomalous features across the Moon's surface, locating not only scientifically useful geologic formations such as rockfall deposits, fresh impact craters, irregular mare patches, or volcanic pits/collapsed lava tubes, but also artificial objects such as landed spacecraft. This investigation further gauged the model's ability to locate anomalous surface features, successfully recovering two places of interest (Plaskett Crater and Paracelsus C Crater) and numerous landed technological assets at a statistically significant rate.
- Abstract（参考訳）: ルナー・リコネッサンス・オービター(LRO)は2009年以降、月の高解像度画像を収集し、大量の画像を集め、研究者たちに月の表面を前例のない規模で研究する機会を与えてきた。
本稿では,Lesnikowski et al (2024) が作成したBeta-Variational Autoencoder (VAE) の能力を検証することを目的としている。
この調査はさらに、このモデルが異常な表面の特徴を見つける能力を評価し、2つの場所(プラケット・クレーターとパラセルス・C・クレーター)と多くの着陸した技術資産を統計的に有意な速度で回収することに成功している。
関連論文リスト
- LunarDepthNet: Generation of Digital Elevation Models using Deep Learning and Monocular Satellite Images [0.40228234427513104]
本研究では,表面の単眼画像から直接表面標高マップを推定し,生成する新しい深層学習手法を提案する。
Chandrayaan-2 Terrain Mapping Camera (TMC)画像と対応するDigital Terrain Models (DTM)画像からなるデータセット。
論文 参考訳（メタデータ） (2026-04-22T06:16:13Z) - Vision-Language Model for Accurate Crater Detection [2.6038033465934083]
欧州宇宙機関(ESA)は、クレーターが月面着陸の危険を冒すため、信頼できるクレーター検出に深い関心を持っている。
様々な大きさや形状のクレーターが大量にあることや、照明や凹凸のある地形の変化などの困難な条件のため、これは自明ではない。
本稿では,OWLv2モデルに基づくディープラーニングクレーター検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-01-12T18:08:17Z) - Adapting Stereo Vision From Objects To 3D Lunar Surface Reconstruction with the StereoLunar Dataset [0.12314765641075437]
月の最初のステレオ画像ペアのオープンデータセットであるLunarStereoを紹介する。
月面の南極周辺の様々な高度、照明条件、視角をカバーしている。
我々はLunarStereoの微調整によりMASt3Rモデルを月領域に適応させる。
論文 参考訳（メタデータ） (2025-10-20T23:50:52Z) - AI-Enabled Crater-Based Navigation for Lunar Mapping [12.60100558410094]
クレーターベースのナビゲーション(CBN)は、画像上で観測された月のユビキタス衝突クレーターを自然のランドマークとして使用し、宇宙船の6度の自由なポーズを決定する。
STELLAは、長期の月面マッピングのための最初のエンドツーエンドCBNパイプラインである。
STELLAを厳格にテストするために、私たちはCRESENT-365という1年間の月面マッピングミッションをエミュレートした最初の公開データセットを紹介します。
論文 参考訳（メタデータ） (2025-09-25T05:09:41Z) - Deep learning framework for crater detection and identification on the Moon and Mars [3.0223880754806514]
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。
論文 参考訳（メタデータ） (2025-08-05T21:29:34Z) - LunarLoc: Segment-Based Global Localization on the Moon [52.418394025548295]
GPSのような従来の地球ベースのナビゲーションインフラが利用できない月面での自律的な運用には、グローバルなローカライゼーションが不可欠である。
本稿では,グローバルなローカライゼーション手法であるLunarLocを提案する。
LunarLocは、マルチセッショングローバルローカライゼーション実験において、サブcmレベルの精度を実現し、月のグローバルローカライゼーションにおける技術状況を大幅に上回っている。
論文 参考訳（メタデータ） (2025-06-20T12:06:47Z) - A New Statistical Model of Star Speckles for Learning to Detect and Characterize Exoplanets in Direct Imaging Observations [37.845442465099396]
本稿では,マルチスケールアプローチを用いてニュアンス変動を捉える新しい統計モデルを提案する。
これは解釈可能なエンドツーエンドの学習可能なフレームワークに統合され、同時に外惑星の検出とフラックス推定を行う。
提案手法は, 計算効率が高く, 各種データ品質に対して頑健であり, 大規模観測調査に適している。
論文 参考訳（メタデータ） (2025-03-21T13:07:55Z) - NEOviz: Uncertainty-Driven Visual Analysis of Asteroid Trajectories [41.49140717172804]
我々は、地球近傍の天体の視覚分析において、惑星防衛の専門家を支援するために設計された対話型可視化システムNEOvizを紹介する。
特に,小惑星が移動する3次元不確実領域を可視化するための新しいアプローチを提案する。
潜在的な影響者に対しては、3D視覚化と不確実性を認識したインパクトマップを組み合わせることで、人間の集団に対する潜在的なリスクを示す。
論文 参考訳（メタデータ） (2024-11-05T05:04:12Z) - Evaluation of Resource-Efficient Crater Detectors on Embedded Systems [40.72690694162952]
火星のクレーターのリアルタイム分析は、ミッションクリティカルな運用に不可欠である。
火星クレーターデータセットを用いて複数のYOLOネットワークをベンチマークした。
我々はこのプロセスを、コスト効率の良い商用オフ・ザ・シェルフベースの小型衛星の新しい波に最適化する。
論文 参考訳（メタデータ） (2024-05-27T08:45:57Z) - 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) - 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) - 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)
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。