La presencia generalizada de rocas dispersas en la superficie de Marte representa una amenaza potencial para la seguridad de la navegación de los rovers en su superficie, mientras que las características de dispersión de las rocas también ofrecen pistas importantes para el estudio de la evolución geológica de las zonas de aterrizaje en Marte. Sin embargo, la detección de rocas en las imágenes de los rovers en Marte enfrenta múltiples desafíos: la frontera borrosa entre las rocas y el fondo dificulta la extracción de contornos, la similitud de las características de textura superficial provoca detecciones erróneas, y la falta de conjuntos de datos reales sobre rocas marcianas limita el entrenamiento de los modelos. Para lograr una detección precisa de las rocas en las imágenes de los rovers en Marte, este artículo propone un modelo de detección automática de rocas basado en una red neuronal convolucional con el módulo de autoatención integrado. Este modelo adopta una arquitectura codificador-decodificador, en la que el codificador extrae las características de la imagen mediante una red neuronal convolucional e incrusta un módulo de autoatención mejorado para mejorar la capacidad del modelo de percibir la información contextual; el decodificador es responsable de realizar un mapeo de las características extraídas del codificador al espacio de la imagen para lograr una segmentación precisa. Para evaluar el rendimiento del modelo, este artículo anotó las imágenes del rover "Zurong", construyó el conjunto de datos "Tianwen", y realizó pruebas y validaciones del rendimiento del modelo en múltiples conjuntos de datos, como los conjuntos de datos simulados Synmars y Simmars6k, así como las imágenes del rover "Curiosity" MarsData-v2. Además, el modelo se compara con varios métodos como DeepLabv3+, Unet++, Segformer, Marsnet, para evaluar la precisión. Los resultados mostraron que el modelo podía detectar con precisión las rocas, con una precisión y un recall superiores al 90% en los conjuntos de datos simulados, y un…

Marte; extracción de rocas; redes neuronales convolucionales; Transformador; extracción de características