Широкое распространение камней на поверхности Марса представляет потенциальную угрозу для безопасного передвижения марсоходов, одновременно характеристики распределения камней предоставляют важные подсказки для исследования геологической эволюции районов посадки на Марсе. Тем не менее, распознавание камней на изображениях марсоходов сталкивается с множеством проблем: размытые границы между камнями и фоном затрудняют выделение контуров, схожесть текстурных признаков поверхности приводит к ошибочным срабатываниям, а дефицит реальных марсианских наборов данных ограничивает обучение моделей. Для достижения точного распознавания камней на изображениях марсоходов в данной работе предложена автоматическая модель распознавания камней на основе сверточной сети с механизмом самовнимания, реализующая сегментацию изображения на уровне пикселей. Модель использует архитектуру энкодер-декодер, где энкодер основан на сверточной нейронной сети для извлечения признаков изображения и включает улучшенный модуль самовнимания для усиления восприятия контекстной информации; декодер восстанавливает признаки из пространства кодировки обратно в пространстве изображения для точной сегментации. Для проверки производительности модели проведена аннотация изображений марсохода "Чжужун" и построен датасет Tianwen, модель протестирована и валидирована на нескольких наборах данных, включая симулированные наборы камней Synmars, Simmars6k и реальный набор изображений марсохода Curiosity MarsData-v2. Кроме того, модель сравнивалась по точности с DeepLabv3+, Unet++, Segformer, Marsnet и другими методами. Оценка проводилась по среднему пиксельному точности, полноте и индексу пересечения по объединению (IoU), результаты показали, что модель способна точно распознавать камни, достигая более 90% по точности и полноте на симулированных наборах данных, а также показывая лучшие показатели на реальных наборах.

Марс; извлечение камней; сверточная нейронная сеть; трансформер; извлечение признаков