Широкое распространение камней на поверхности Марса представляет потенциальную угрозу для безопасного движения марсохода, и в то же время характеристика распространения камней также предоставляет важные клады для изучения геологической эволюции посадочной зоны на Марсе. Тем не менее, идентификация камней на изображениях марсохода сталкивается с несколькими вызовами: расплывчатые края камней и фона делают извлечение контуров трудным, сходство текстурных особенностей вызывает ошибочное срабатывание, и недостаток реальных наборов данных о камнях на Марсе ограничивает обучение моделей. Для достижения точной идентификации камней на изображениях марсохода в этой статье предлагается модель автоматической идентификации камней на основе сверточной само-внимательной сети для пиксельного разделения изображений. Данная модель применяет архитектуру кодировщик-декодер, где кодировщик извлекает особенности изображения на основе сверточной нейронной сети, а также встраивает улучшенный модуль само-внимания для усиления способности модели воспринимать контекстную информацию; декодер отвечает за отображение извлеченных кодировщиком особенностей изображения на пространство изображения для достижения точного разделения. Для проверки производительности модели в этой статье подписаны изображения марсохода Zhurong и создан набор данных Tianwen, а также проведено тестирование и подтверждение производительности модели с использованием ряда наборов данных, таких как симулированный набор данных о камнях Synmars, Simmars6k, набор данных изображений Curiosity MarsData-v2 и другие. Кроме того, в этой статье была сравнительная оценка этой модели с другими методами, такими как DeepLabv3 +, Unet ++, Segformer, Marsnet и так далее. С использованием показателей, таких как средняя точность пикселя, отзыв, перекрестное соответствие и т. Д., Результаты показывают, что данная модель способна точно идентифицировать камни, при этом точность и отзыв на симулированных наборах данных превышает 90%, а точность и отзыв на реальных наборах данных наилучшие.

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