Широкое распространение пород на поверхности Марса представляет потенциальную угрозу для безопасного движения марсохода, а также характеристики распределения пород предоставляют важные улики для изучения геологической эволюции места посадки на Марсе. Однако распознавание пород на изображениях марсоходов сталкивается с несколькими проблемами: нечеткость краев пород и заднего плана затрудняет извлечение контуров, сходство текстурных особенностей поверхности приводит к ошибочным суждениям, и существующие реальные наборы данных о породах на Марсе ограничивают модельное обучение. Для достижения точного распознавания пород на изображениях марсоходов авторы предлагают модель автоматического распознавания пород на основе сверточной сети с улучшенным модулем внимания к собственности, реализующую сегментацию изображений с пиксельной точностью. Эта модель использует архитектуру кодера-декодера, где кодер основан на сверточной нейронной сети для извлечения особенностей изображения и встроен в улучшенный модуль внимания к собственности для усиления способности модели к восприятию контекстуальной информации. Декодер отвечает за отображение извлеченных кодером особенностей обратно на изображение для реализации точной сегментации. Для проверки производительности модели авторы разметили изображения марсохода 'Журонг' и построили набор данных 'Тяньвен', обеспечили оценку производительности модели в сочетании с моделированными наборами данных Synmars, Simmars6k, набор данных изображений марсохода 'Любопытство' MarsData-v2. Кроме того, авторы также сравнили точность этой модели с различными методами, такими как DeepLabv3+, Unet++, Segformer, Marsnet. Они использовали среднюю точность пикселя, точность восстановления и метрику пересечения для оценки, и результаты показывают, что эта модель способна точно распознавать породы, причем точность и восстановление в модельных наборах данных превышают 90%, а в реальных наборах данных точность и восстановление оптимальными.

Марс; извлечение пород; сверточная нейронная сеть; Трансформатор; извлечение особенностей