Mapping ‘Brain Terrain’ Regions on Mars using Deep Learning

要約

火星探査プログラムの主な目的の 1 つは、地球上の過去または現在の生命の証拠を探すことです。
これを達成するために、火星探査は液体または凍結した水がある可能性のある領域に焦点を当ててきました。
一連の重要な領域では、比較的最近、火星の傾斜角の周期的な変化に応じて氷が解けるサイクルが見られた可能性がある。
この研究では、畳み込みニューラル ネットワークを使用して、火星の地形である「ブレイン コーラル」地形を含む表面領域を検出します。この地形は、地球上の分類されたストーン サークルと形態と規模が類似していることから、凍結/融解サイクルの結果として形成された可能性が示唆されています。
。
私たちは火星偵察軌道船からの大きな画像 (約 100 ～ 1000 メガピクセル) を使用して、ピクセルあたり数十センチメートル (約 25 ～ 50 cm) に近い解像度でこれらの地形を検索します。
52,000 枚を超える画像 (約 28 TB) (火星の表面の約 5%) が検索され、200 枚を超える画像で検出が見つかりました。
処理を迅速化するために、フル空間解像度で画像全体をデコードする代わりに、離散コサイン変換からの係数のブロックを利用することで JPEG 圧縮を利用できるフーリエ領域の分類器ネットワーク (セグメンテーション前) を利用します。
ハイブリッド パイプライン アプローチは、すべての画像に対してフル解像度でセグメンテーション ネットワークを実行する場合と比較して、合計処理時間の最大 95% を削減しながら、最大 93% の精度を維持します。
ビッグデータセットのタイムリーな処理は、ミッション運用、地質調査に情報を提供して、着陸候補地の優先順位を付けたり、危険な地域を回避したり、特定の地形の空間範囲を地図化したりするのに役立ちます。
セグメンテーション マスクとソース コードは、コミュニティが探索して構築できるように Github で入手できます。

要約(オリジナル)

One of the main objectives of the Mars Exploration Program is to search for evidence of past or current life on the planet. To achieve this, Mars exploration has been focusing on regions that may have liquid or frozen water. A set of critical areas may have seen cycles of ice thawing in the relatively recent past in response to periodic changes in the obliquity of Mars. In this work, we use convolutional neural networks to detect surface regions containing ‘Brain Coral’ terrain, a landform on Mars whose similarity in morphology and scale to sorted stone circles on Earth suggests that it may have formed as a consequence of freeze/thaw cycles. We use large images (~100-1000 megapixels) from the Mars Reconnaissance Orbiter to search for these landforms at resolutions close to a few tens of centimeters per pixel (~25–50 cm). Over 52,000 images (~28 TB) were searched (~5% of the Martian surface) where we found detections in over 200 images. To expedite the processing we leverage a classifier network (prior to segmentation) in the Fourier domain that can take advantage of JPEG compression by leveraging blocks of coefficients from a discrete cosine transform in lieu of decoding the entire image at the full spatial resolution. The hybrid pipeline approach maintains ~93% accuracy while cutting down on ~95% of the total processing time compared to running the segmentation network at the full resolution on every image. The timely processing of big data sets helps inform mission operations, geologic surveys to prioritize candidate landing sites, avoid hazardous areas, or map the spatial extent of certain terrain. The segmentation masks and source code are available on Github for the community to explore and build upon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google