Comparison of automated crater catalogs for Mars from Benedix et al. (2020) and Lee and Hogan (2021)

要約

最近では、ニューラル ネットワークやその他の自動化手法を使用したクレーター マッピングが増加しており、自動クレーター検出アルゴリズム (CDA) が太陽系全体の惑星体に適用されています。
Benedix らによる最近の出版物。
(2020) は、同様の自動 CDA と比較して小規模で高いパフォーマンスを示しましたが、多くのクレーター候補で正味の直径バイアスが発生しました。
Benedix らから公開されているカタログを比較します。
(2020) および Lee & Hogan (2021) は、報告されたパフォーマンスがカタログのテストに使用される指標の影響を受けやすいことを示しています。
私は、より寛容な比較方法が、より悪い候補クレーターをグラウンドトゥルース ク​​レーターと一致させることにより、より高い CDA パフォーマンスを示すことを示します。
Benedix らの結果を示します。
(2020) カタログでは、緯度が増加するにつれて大幅なパフォーマンスの低下が見られ、この低下の原因となる可能性のある画像投影の問題が特定されました。
最後に、大規模な科学データセットの生成におけるニューラル ネットワークの将来のアプリケーションは、独立したデータ ソースまたはトレーニング方法を備えた二次ネットワークを使用して検証することをお勧めします。

要約(オリジナル)

Crater mapping using neural networks and other automated methods has increased recently with automated Crater Detection Algorithms (CDAs) applied to planetary bodies throughout the solar system. A recent publication by Benedix et al. (2020) showed high performance at small scales compared to similar automated CDAs but with a net positive diameter bias in many crater candidates. I compare the publicly available catalogs from Benedix et al. (2020) and Lee & Hogan (2021) and show that the reported performance is sensitive to the metrics used to test the catalogs. I show how the more permissive comparison methods indicate a higher CDA performance by allowing worse candidate craters to match ground-truth craters. I show that the Benedix et al. (2020) catalog has a substantial performance loss with increasing latitude and identify an image projection issue that might cause this loss. Finally, I suggest future applications of neural networks in generating large scientific datasets be validated using secondary networks with independent data sources or training methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google