Eine Übersicht über die Eingaben für jeden Schritt in unserer Verarbeitungspipeline. In einem HiRISE-Bild von ESP 018707 2205 wird eine Region in nativer Auflösung (0,3m/px) mit einem blauen Kasten gezeigt, der die Fenstergröße für unser Klassifizierungsnetzwerk hervorhebt. Ein 256 x 256 Pixel-Fenster dient als Eingabe für unseren räumlichen Klassifizierungsalgorithmus, allerdings ist das Fenster mit 1/16 der Originalauflösung (1,2m/px). Ein Raster von 8×8 Quadraten wird angezeigt, das zeigt, wie das Bild geteilt und mit Teilen eines JPEG-Encoders vorverarbeitet wird, der die diskrete Cosinus-Transformation (DCT) beinhaltet. Ein einzelnes 8×8-Kachel wird zu einem 1D-Array konvertiert, das für die DCT-Transformation verwendet wird. Ein Block von Fourier-Koeffizienten wird zu einem Datenwürfel umgeordnet und als Eingabe für unseren Fourier-Klassifizierer verwendet. Die Verkleinerung der Bildgröße und letztendlich der Kanalgröße nach der ersten Faltungsschicht verkürzt signifikant die Verarbeitungszeit des Netzwerks im Vergleich zur räumlichen Bild-Eingabe.
Eines der Hauptziele des Mars Exploration Programms ist die Suche nach Hinweisen auf vergangenes oder aktuelles Leben auf dem Planeten. Zu diesem Zweck konzentriert sich die Marsforschung auf Regionen, die flüssiges oder gefrorenes Wasser enthalten könnten. Ein Satz von wichtigen Bereichen könnte Zyklen des Eises, die sich aufgrund periodischer Änderungen in der Schräglage des Mars in der relativ nahen Vergangenheit aufgelöst haben, erlebt haben. In dieser Arbeit verwenden wir faltende neuronale Netze, um Oberflächenregionen zu erkennen, die “Gehirn-Korallen”-Gelände enthalten, eine Landform auf dem Mars, deren Ähnlichkeit in Morphologie und Maßstab zu sortierten Steinkreisen auf der Erde darauf hindeutet, dass sie als Folge von Frost-/Tauzyklen entstanden sein könnte.
Um dies zu erreichen, verwenden wir große Bilder (etwa 100-1000 Megapixel) vom Mars Reconnaissance Orbiter, um nach diesen Landformen mit Auflösungen von einigen Zentimetern pro Pixel zu suchen. Über 52.000 Bilder (ca. 28 TB) wurden durchsucht (ca. 5% der Marsoberfläche), wobei wir in über 200 Bildern Entdeckungen gemacht haben. Um die Verarbeitung zu beschleunigen, nutzen wir ein Klassifizierungsnetzwerk (vor der Segmentierung) im Fourier-Bereich, das von der JPEG-Kompression profitieren kann, indem Blöcke von Koeffizienten aus einer diskreten Cosinustransformation verwendet werden, anstatt das gesamte Bild in voller räumlicher Auflösung zu dekodieren.
Der hybride Pipeline-Ansatz ermöglicht es, die Genauigkeit um etwa 93% zu halten, während gleichzeitig etwa 95% der Gesamtverarbeitungszeit im Vergleich zur Ausführung des Segmentierungsnetzwerks bei voller Auflösung auf jedem Bild eingespart werden. Die zeitnahe Verarbeitung großer Datensätze trägt dazu bei, Missionen zu informieren, geologische Untersuchungen zur Priorisierung von potenziellen Landeplätzen, zur Vermeidung gefährlicher Gebiete oder zur Kartierung des räumlichen Ausmaßes bestimmter Geländetypen durchzuführen. Die Segmentierungsmasken und der Quellcode stehen auf Github zur Verfügung, damit die Community sie erkunden und weiterentwickeln kann. Kyle A. Pearson, Eldar Noe, Daniel Zhao, Alphan Altinok, Alex Morgan.