توزع الصخور الواسعة على سطح المريخ تشكل تهديدًا محتملاً لسلامة المركبة الاستكشافية على سطح المريخ ، وفي الوقت نفسه توفر توزيعات الصخور أدلة هامة لدراسة تطور الجيولوجيا في مناطق هبوط المريخ. ومع ذلك ، فإن تحديد الصخور في صور مركبة استكشاف المريخ يواجه تحديات متعددة: الحواف الغامضة للصخور والخلفية تجعل استخراج الحافة صعبًا ، ويثير التصنيف الخاطئ الشبهات بسبب تشابه الملمس السطحي للخلفية ، وندرة مجموعات بيانات الصخور الواقعية المتاحة تقيد تدريب النموذج. من أجل تحقيق تحديد الصخور بدقة في صور مركبة استكشاف المريخ ، تقدم هذه الورقة نموذجًا لتحديد الصخور تلقائيًا بناءً على شبكة الانتباه الذاتي المستندة إلى التحويم ، وتحقيق تقسيم مستوى البكسل للصور. يتبنى هذا النموذج تعمارية المشفر - فك الشفرة ، حيث يعتمد المشفر على شبكة العصبونات التصاعدية لاستخراج سمات الصورة ، ويدمج وحدة التحويم الذاتي المحسنة لتعزيز قدرة النموذج على إدراك المعلومات السياقية. يتحمل الفك مسؤولية ربط السمات التي استخرجها المشفر بالفضاء الصوري لتحقيق تقسيم دقيق. بهدف التحقق من أداء النموذج ، قامت هذه الورقة بتسمية صور سيارة المريخ “Zhurong” ونشرت مجموعة بيانات Tianwen بالإضافة إلى مجموعة بيانات الصخور الافتراضية Synmars ، Simmars6k `، ״ مجموعة بيانات الصور Curiosity MarsData-v2 ، ومجموعة بيانات أخرى لاختبار أداء النموذج والتحقق منه. علاوة على ذلك ، قارنت هذه الورقة هذا النموذج مع عدة طرق مثل DeepLabv3 + ، Unet ++ ، Segformer ، Marsnet وغيرها. باستخدام مؤشرات مثل متوسط دقة البيكسل ، ومعدل الاستدعاء ، وانقسام الاجتماع ، فإن النتائج تشير إلى أن هذا النموذج قادر على تحديد الصخور بدقة ، حيث بلغت دقة واستدعاء مجموعة البيانات المحاكاة أكثر من 90٪ ، وكانت دقة واستدعاء مجموعة البيانات الحقيقية الأفضل.

Mars;Rock Extraction;convolutional neural networks;Transformer;feature extraction