Früher|Nächster

Automatische Identifizierung von kleinen Kratern auf der Mondoberfläche auf der Basis eines tiefen faltenden neuronalen Netzwerks ohne Verankerung

  • role： First author第一作者
  • Affiliation：

    School of Earth Resources, China University of Geosciences, Wuhan 430074, China

    College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China

    Space Optoelectronic Measurement and Perception Lab., Beijing Institute of Control Engineering, Beijing 100190, China

  • Email：17686101523@163.com
  • Introduction：张梓璇，研究方向为月表环形构造提取与分析。E-mail： 17686101523@163.com
ZHANG Zixuan123,  
  • role： Corresponding author通信作者
  • Affiliation：

    College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China

    Space Optoelectronic Measurement and Perception Lab., Beijing Institute of Control Engineering, Beijing 100190, China

  • Email：jtyang@sdust.edu.cn
  • Introduction：杨俊涛，研究方向为激光雷达技术与应用、农业遥感、月球与行星遥感。E-mail： jtyang@sdust.edu.cn
YANG Juntao23*,  
  • Affiliation：

    Space Optoelectronic Measurement and Perception Lab., Beijing Institute of Control Engineering, Beijing 100190, China

LI Lin3,  
  • Affiliation：

    College of Earth Sciences and Engineering, Shandong University of Science and Technology, Qingdao 266590, China

ZHANG Shuowei4,  
  • Affiliation：

    College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China

YANG Ziyi2,  
  • Affiliation：

    Space Optoelectronic Measurement and Perception Lab., Beijing Institute of Control Engineering, Beijing 100190, China

MA Yuechao3

Resümee

Als typische und häufigste Landschaftseinheiten auf der Mondoberfläche zeichnen Krater die morphologischen Merkmale und die räumliche Verteilung auf, die die Entwicklungsgeschichte des Mondes, die Bildung des Klimas und das Alter seiner Oberfläche widerspiegeln. Aufgrund von Phänomenen wie verschwommene Kraterränder und verschränkten Kratern bestehen jedoch immer noch Probleme bei der automatischen Identifizierung von Kratern (insbesondere kleinen Maßstabs) mit niedriger Erkennungsgenauigkeit und Schwierigkeiten bei der Identifizierung kleiner Krater in großen Kratern. Daher wird in diesem Artikel eine automatische Methode zur Identifizierung von kleinen Kratern auf der Mondoberfläche vorgeschlagen, die auf einer Wissensübertragungsstrategie basiert, um Krater automatisch zu lokalisieren und zu identifizieren. Diese Methode regrediert direkt zum Zentrum des Kraters und seiner Größe auf einer Karte mit hoher Auflösung, die vom gestapelten Sanduhrnetzwerk erzeugt wird, und erfordert keine Nachverarbeitungsoperationen wie die Unterdrückung nicht maximaler Werte, was eine automatische Identifizierung verschiedener Kratertypen ermöglicht. Gleichzeitig wird durch den Einsatz eines Wissensübertragungsansatzes für das Training dieses Ansatzes das Trainingsmodell mit bestimmten Optimierungen versehen, wodurch es nicht von Null an gestartet wird, was dem Modell eine höhere Zuverlässigkeit und Robustheit verleiht. Der Artikel präsentiert Experimente und Verifizierungen von Bildern der Mondregionen Rainbow Bay und Storm Sea sowie eine quantitative und qualitative Bewertung im Vergleich zur vorhandenen Robbins-Kraterdatenbank. Die Ergebnisse zeigen, dass das in diesem Artikel entworfene automatische Identifikationsmodell die Krater effektiv extrahieren und teilweise das Problem der Identifizierung kleiner Krater in verschränkten Kratern lösen kann.

Schlüsselwort

KratereXtraktion;intelligenteIdentifizierung;tiefesLernen;Objekterkennung;Regenbogenbuchtregion;Sturmmeeresregion

References

  1. 1.
    Bandeira L, Machado M and Pina P. 2014. Automatic detection of sub-km craters on the Moon//45th Lunar and Planetary Science Conference. The Woodlands: [s.n.]
  2. 2.
    Chen Z D. 2021. Research on Automatic Identification of Lunar Crater Gravity Anomaly Based on Convolutional Neural Network. Beijing: China University of Geosciences Beijing
  3. 3.
    Cohen J P and Ding W. 2014. Crater detection via genetic search methods to reduce image features. Advances in Space Research, 53(12): 1768-1782
  4. 4.
    Cui X L, Ding M and Wang G. 2021. Automated crater detection on the South Pole-Aitken Basin of the Moon and absolute model ages of mid-sized craters based on convolution neural network. Journal of Nanjing University (Natural Science), 57(6): 905-915
  5. 5.
    Di K C, Li W, Yue Z Y, Sun Y W and Liu Y L. 2014. A machine learning approach to crater detection from topographic data. Advances in Space Research, 54(11): 2419-2429
  6. 6.
    Ding W, Stepinski T F, Mu Y, Bandeira L, Ricardo R, Wu Y X, Lu Z Y, Cao T Y and Wu X D. 2011. Subkilometer crater discovery with boosting and transfer learning. ACM Transactions on Intelligent Systems and Technology (TIST), 2(4): 39
  7. 7.
    Du X, Kang Z Z, Hu T, Xiao M and Li M. 2025. Application of topography analysis based on multi-source data in the construction of the International Lunar Research Station. National Remote Sensing Bulletin, 29(2): 442-459
  8. 8.
    Duan K W, Bai S, Xie L X, Qi H G, Huang Q M and Tian Q. 2019. CenterNet: keypoint triplets for object detection//2019 IEEE/CVF International Conference on Computer Vision (ICCV). Seoul: IEEE: 6568-6577
  9. 9.
    Hu Y F, Xiao J, Liu L P, Zhang L and Wang Y. 2021. Detection of small impact craters via semantic segmenting lunar point clouds using deep learning network. Remote Sensing, 13(9): 1826
  10. 10.
    Kang Z Z, Luo Z F, Hu T and Gamba P. 2015. Automatic extraction and identification of lunar impact craters based on optical data and DEMs acquired by the Chang'E satellites. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(10): 4751-4761
  11. 11.
    Kang Z Z, Wang X K, Hu T and Yang J T. 2019. Coarse-to-fine extraction of small-scale lunar impact craters from the CCD images of the Chang'E lunar orbiters. IEEE Transactions on Geoscience and Remote Sensing, 57(1): 181-193
  12. 12.
    Law H and Deng J. 2018. CornerNet: detecting objects as paired keypoints//The 15th European Conference on Computer Vision. Munich: Springer: 765-781
  13. 13.
    Lin T Y, Maire M, Belongie S, Hays J, Perona P, Ramanan D, Dollár P and Zitnick C L. 2014. Microsoft COCO: common objects in context//The 13th European Conference on Computer Vision (ECCV). Zurich: Springer: 740-755
  14. 14.
    McEwen A S and Bierhaus E B. 2006. The importance of secondary cratering to age constraints on planetary surfaces. Annual Review of Earth and Planetary Sciences, 34: 535-567
  15. 15.
    Redmon J and Farhadi A. 2017. YOLO9000: better, faster, stronger//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu: IEEE: 6517-6525
  16. 16.
    Robbins S J. 2019. A new global database of lunar impact craters >1–2 km: 1. crater locations and sizes, comparisons with published databases, and global analysis. Journal of Geophysical Research: Planets, 124(4): 871-892
  17. 17.
    Silburt A, Ali-Dib M, Zhu C C, Jackson A, Valencia D, Kissin Y, Tamayo D and Menou K. 2019. Lunar crater identification via deep learning. Icarus, 317: 27-38
  18. 18.
    Yang C, Zhao H S, Bruzzone L, Benediktsson J A, Liang Y C, Liu B, Zeng X G, Guan R C, Li C L and Ouyang Z Y. 2020. Lunar impact crater identification and age estimation with Chang’E data by deep and transfer learning. Nature Communications, 11(1): 6358
  19. 19.
    Yang J T and Kang Z Z. 2019. Bayesian network-based extraction of lunar impact craters from optical images and DEM data. Advances in Space Research, 63(11): 3721-3737
  20. 20.
    Zhang C and Chen J P. 2019. Advances in the study of automatic identification and classification of lunar impact craters. Journal of Geology, 43(3): 514-522
  21. 21.
    Zhang W. 2017. Research on Automatic Recognition and Spatial Differentiation of Lunar Impact Craters. Nanjing: Nanjing University of Information Science and Technology (张雯. 2017. 月球撞击坑的自动识别与空间分异研究. 南京: 南京信息工程大学)
  22. 22.
    Zhao D D. 2022. Intelligent Identification and Spatial Distribution Characteristics Analysis of Small Craters in Lunar Landing Area. Changchun: Jilin University
  23. 23.
    Zhou X Y, Wang D Q and Krähenbühl P. 2019. Objects as points. arXiv:1904.07850

Lesen Sie die ganze Passage

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website