La présence généralisée de roches dispersées à la surface de Mars représente une menace potentielle pour la sécurité de la navigation des rovers sur sa surface, tandis que les caractéristiques de dispersion des roches offrent également d'importantes pistes pour l'étude de l'évolution géologique des zones d'atterrissage sur Mars. Cependant, la détection des roches sur les images des rovers sur Mars est confrontée à de multiples défis : la frontière floue entre les roches et l'arrière-plan rend l'extraction des contours difficile, la similarité des caractéristiques de texture de surface entraîne des détections erronées, et l'absence de jeux de données réels sur les roches martiennes limite l'entraînement des modèles. Afin de parvenir à une détection précise des roches sur les images des rovers sur Mars, cet article propose un modèle de détection automatique des roches basé sur un réseau de neurones à convolution avec le module auto-attention intégré. Ce modèle adopte une architecture encodeur-décodeur, dans laquelle l'encodeur extrait les caractéristiques de l'image à l'aide d'un réseau de neurones à convolution et intègre un module d'auto-attention amélioré pour renforcer la capacité du modèle à percevoir l'information contextuelle ; le décodeur est responsable de mapper les caractéristiques extraites de l'encodeur vers l'espace de l'image pour parvenir à une segmentation précise. Pour évaluer les performances du modèle, cet article a annoté les images du rover "Zurong", construit l'ensemble de données "Tianwen", et effectué des tests et des validations des performances du modèle sur de multiples ensembles de données, tels que les ensembles de données simulés Synmars et Simmars6k, ainsi que les images du rover "Curiosity" MarsData-v2. De plus, le modèle est comparé à plusieurs méthodes telles que DeepLabv3+, Unet++, Segformer, Marsnet, pour évaluer la précision. Les résultats ont montré que le modèle pouvait détecter avec précision les roches, avec un taux de précision et de rappel dépassant 90% dans les jeux de données simulés, et un…

Mars; extraction de roches; réseaux de neurones à convolution; Transformateur; extraction de fonctionnalités