行星陨石坑检测算法研究综述

行星陨石坑检测算法研究综述
胡㊀涛１ꎬ２ꎬ贺㊀亮１ꎬ２ꎬ曹㊀涛１ꎬ２ꎬ韩㊀宇１ꎬ２ꎬ张翰墨１ꎬ２
(１.上海航天控制技术研究所ꎬ上海２０１１０９ꎻ２.上海市空间智能控制技术重点实验室ꎬ上海２０１１０９)
摘要:陨石坑检测对于确定行星体的年代信息㊁行星探测和载人登月探测器的自动导航着陆具有着重要的参考意义ꎮ总结陨石坑检测方法ꎬ将传统视觉的陨石坑检测算法分为基于边缘㊁阴影和区域３个方面进行阐述ꎻ从数据集㊁网络结构和评价指标的角度ꎬ重点分析了深度学习陨石坑检测算法ꎻ针对目前深度学习领域的研究热点ꎬ对未来陨石坑检测算法提出发展方向ꎮ分析得出:深度学习陨石坑检测方法相比传统视觉的陨石坑检测方法更加高效ꎬ无需人工设计特征ꎬ检测精度显著提高ꎮ
关键词:行星探测ꎻ陨石坑检测ꎻ机器学习ꎻ卷积神经网络
中图分类号:Ｖ４７６㊀文献标识码:Ａ㊀文章编号:１６７４￣５８２５(２０２０)０５￣０６５６￣０８
ＲｅｖｉｅｗｏｆＰｌａｎｅｔａｒｙＣｒａｔｅｒＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍｓ
ＨＵＴａｏ１ꎬ２ꎬＨＥＬｉａｎｇ１ꎬ２ꎬＣＡＯＴａｏ１ꎬ２ꎬＨＡＮＹｕ１ꎬ２ꎬＺＨＡＮＧＨａｎｍｏ１ꎬ２
(１.ＳｈａｎｇｈａｉＩｎｓｔｉｔｕｔｅｏｆＳｐａｃｅｆｌｉｇｈｔＣｏｎｔｒｏｌＴｅｃｈｎｏｌｏｇｙꎬＳｈａｎｇｈａｉ２０１１０９ꎬＣｈｉｎａꎻ２.ＳｈａｎｇｈａｉＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｔｅｌｌｉｇｅｎｔＣｏｎｔｒｏｌＴｅｃｈｎｏｌｏｇｙꎬＳｈａｎｇｈａｉ２０１１０９ꎬＣｈｉｎａ)
Ａｂｓｔｒａｃｔ:Ｔｈｅｃｒａｔｅｒｄｅｔｅｃｔｉｏｎｉｓｏｆｓｉｇｎｉｆｉｃａｎｔｒｅｆｅｒｅｎｃｅｖａｌｕｅｆｏｒｔｈｅａｇｅｉｎｆｏｒｍａｔｉｏｎｄｅｔｅｒｍｉｎａｔｉｏｎｏｆｔｈｅｐｌａｎｅｔａｒｙｂｏｄｉｅｓꎬｔｈｅｐｌａｎｅｔａｒｙｅｘｐｌｏｒａｔｉｏｎａｎｄｔｈｅａｕｔｏｍａｔｉｃｎａｖｉｇａｔｉｏｎａｎｄｌａｎｄｉｎｇｏｆｍａｎ￣ｎｅｄｌｕｎａｒｐｒｏｂｅｓ.Ｉｎｔｈｉｓｐａｐｅｒꎬｔｈｅｃｒａｔｅｒｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓｗｅｒｅｓｕｍｍａｒｉｚｅｄａｎｄｔｈｅｔｒａｄｉｔｉｏｎａｌｖｉｓｕａｌｉｍｐａｃｔｃｒａｔｅｒｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓｂａｓｅｄｏｎｔｈｅｅｄｇｅꎬｔｈｅｓｈａｄｏｗꎬａｎｄｔｈｅａｒｅａｗｅｒｅｅｌｕｃｉｄａ￣ｔｅｄ.Ｔｈｅｎｔｈｅｄｅｅｐｌｅａｒｎｉｎｇｃｒａｔｅｒｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｗａｓａｎａｌｙｚｅｄｆｒｏｍｔｈｅｐｅｒｓｐｅｃｔｉｖｅｏｆｄａｔａｓｅｔꎬｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅａｎｄｔｈｅｅｖａｌｕａｔｉｏｎｉｎｄｅｘ.Ｃｏｎｓｉｄｅｒｉｎｇｔｈｅｃｕｒｒｅｎｔｒｅｓｅａｒｃｈｈｏｔｓｐｏｔｓｉｎｔｈｅｆｉｅｌｄｏｆｄｅｅｐｌｅａｒｎｉｎｇꎬｔｈｅｄｅｖｅｌｏｐｍｅｎｔｄｉｒｅｃｔｉｏｎｏｆｆｕｔｕｒｅｃｒａｔｅｒｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓｗａｓｐｒｏｐｏｓｅｄ.Ｔｈｅａ￣ｎａｌｙｓｉｓｓｈｏｗｅｄｔｈａｔｔｈｅｄｅｅｐｌｅａｒｎｉｎｇｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓｗｅｒｅｍｏｒｅｅｆｆｉｃｉｅｎｔｔｈａｎｔｈｅｔｒａｄｉｔｉｏｎａｌｉｍ￣ａｇｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓ.Ｔｈｅｙｄｉｄｎｏｔｒｅｑｕｉｒｅｔｈｅｍａｎｕａｌｆｅａｔｕｒｅｄｅｓｉｇｎａｎｄｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙｗａｓｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｄ.
Ｋｅｙｗｏｒｄｓ:ｐｌａｎｅｔａｒｙｅｘｐｌｏｒａｔｉｏｎꎻｃｒａｔｅｒｄｅｔｅｃｔｉｏｎꎻｍａｃｈｉｎｅｌｅａｒｎｉｎｇꎻｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ
收稿日期:２０２０￣０３￣１２ꎻ修回日期:２０２０￣０８￣３１基金项目:载人航天预先研究项目(０６０２０１)
第一作者:胡涛ꎬ男ꎬ硕士研究生ꎬ研究方向为机器视觉ꎮＥ￣ｍａｉｌ:ｈｔ＿ｎｗｐｕ＠ｍａｉｌ.ｎｗｐｕ.ｅｄｕ.ｃｎ
１㊀引言
随着航天技术的发展ꎬ行星探测已经逐渐成为国际航天领域的热点ꎬ其中行星陨石坑检测一直是其中重要的研究方向之一ꎮ许多小天体被认为保存有宇宙形成初期的古老物质ꎬ研究行星陨石坑是确定太阳系中行星体地质年代信息ꎬ了解宇宙起源的重要途径ꎮ行星陨石坑检测可应用于行星着陆㊁行星地质研究㊁行星未知领域探索以及
探测器视觉导航等诸多领域ꎮ
行星陨石坑检测的重点在于陨石坑生命周期中的侵蚀㊁掩埋㊁覆盖和转化问题ꎮ由于弹坑的复杂性ꎬ其形状㊁大小㊁重叠和退化都有很大的变化ꎬ使得陨石坑检测算法(ＣｒａｔｅｒＤｅｔｅｃｔｉｏｎＡｌｇｏ￣ｒｉｔｈｍｓꎬＣＤＡｓ)的设计非常困难ꎮ然而随着人工智能神经网络的兴起ꎬ机器学习在数据分析㊁图像分类与识别以及目标检测等方面大放异彩[１]ꎬ特别是深度学习在陨石坑检测中的应用ꎬ大大提高了
第２６卷㊀第５期２０２０年㊀１０月
㊀㊀㊀㊀㊀㊀㊀㊀㊀
载㊀人㊀航㊀天
ＭａｎｎｅｄＳｐａｃｅｆｌｉｇｈｔ
㊀㊀㊀㊀㊀㊀㊀㊀㊀
Ｖｏｌ.２６㊀Ｎｏ.５Ｏｃｔ.２０２０
检测效率ꎮ
目前陨石坑检测方法可分为３类:利用地形和光谱数据进行地质信息分析㊁传统视觉处理算法和机器学习方法ꎮＹｅ等[２]得到陨石坑位置和直径信息ꎬ利用光谱图像对陨石坑附件的岩石地质元素进行分析ꎬ剔除判断错误的陨石坑ꎬ并将正确的陨石坑分类为简单型和复杂型ꎮ由于陨石坑的地质元素变化较大ꎬ存在不确定性ꎬ不利于陨石坑的自动检测ꎬ应用较少ꎮ目前应用较多的方法是传统视觉处理算法和机器学习算法ꎬ本文针对这２种方法展开详细论述ꎬ调研现有的针对月球㊁火星等行星陨石坑的检测方法ꎬ将传统视觉的陨石坑检测算法分为基于边缘㊁阴影和区域３个方面进行阐述ꎻ从数据集㊁网络结构和评价指标的角度ꎬ重点分析了深度学习陨石坑检测算法ꎮ此外ꎬ根据目前陨石坑检测算法存在的问题ꎬ提出深度学习在陨石坑检测中未来的发展方向ꎮ
２㊀传统视觉检测算法
陨石坑的形状㊁轮廓等特征对传统视觉检测算法的效果至关重要ꎬ大多数陨石坑是由流星撞击形成的ꎬ陨石坑形成的第一步是行星之间几乎瞬间的碰撞ꎮ最简单的陨石坑是碗状的ꎬ有一对新月状的高亮和阴影区域ꎬ边缘呈向外喷射状ꎬ地形剖面大致呈二次型ꎮ陨石坑越大ꎬ凹陷底部就越平坦(图１(ａ))ꎻ当流星质量很重或速度很快时ꎬ压缩阶段后的反弹效应在陨石坑中形成一个中心峰ꎬ构成一个复杂的陨石坑(图１(ｂ))ꎻ当坑很大时ꎬ地震效应和土壤的水平松弛可以造成多个边缘(图１(ｃ))ꎮ
图１㊀不同陨石坑种类
Ｆｉｇ.１㊀Ｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｃｒａｔｅｒｓ
对于传统图像处理陨石坑检测方法主要分为基于边缘㊁基于阴影和基于区域３种ꎬ分类具体如下:
１)基于边缘的方法利用陨石坑形状较简单ꎬ
一般呈圆形或椭圆形的特点ꎬ对其进行轮廓拟合ꎬ重建典型的陨石坑形状ꎮＪｏｈｎｓｏｎ等[３]在ＮＥＡＲ任务的陨石坑检测中应用Ｈｏｕｇｈ变换的椭圆检测ꎬ能够取得８０％的准确率ꎮＨｏｕｇｈ变换是从图像空间到参数空间的一种方法ꎬ称为Ｈｏｕｇｈ空间ꎮ变换的目的是寻找最佳的参数ꎬ以适合一个选定的几何解析公式ꎮＨｏｕｇｈ空间的维数与搜索参数的数目一样多ꎮ对于圆ꎬ有３个维度(ｘ㊁ｙ位置和ｒ半径)ꎻ而椭圆参数的数目是５个ꎬ将陨石坑边缘拟合为典型形状ꎬ复杂度随着参数的增加而急剧增加ꎮＬｅｒｏｙ等[４]提出一种基于投票机制的多尺度椭圆拟合方法ꎬ将图像中检测到的陨石坑与从三维模型中投射出的陨石坑进行匹配ꎬ得到两者之间的最佳变换ꎬ该方法在陨石坑密集的区域能够取得较好的效果ꎮＣｈｅｎｇ等[５]利用Ｃａｎ￣ｎｙ算子分段检测陨石坑边缘曲线ꎬ并将属于同一陨石坑的边缘划分到一组ꎬ再进行椭圆拟合ꎬ能够获得９０％的准确率ꎮ
２)基于阴影的陨石坑检测方法是在太阳高
度角和光照强度的影响下ꎬ陨石坑边缘会出现不同程度的阴影区域ꎬ虽然陨石坑的一部分边缘信息会被遮挡ꎬ造成视觉模糊ꎬ但相同的阴影和陨石坑出现了一一对应的关系ꎬ因此可以通过检测图像中的阴影区域达到陨石坑检测的目的ꎮ郭烈等[６]首先采用了阈值分割方法对地面环境的陨石坑阴影进行阈值分割ꎬ然后结合形态学滤波算法和阈值面积消除法滤除一些噪声ꎬ最后对所得到的二值图像进行轮廓提取ꎮＫａｕｆｍａｎｎ等[７]使用ｇａｍｍａ校正后阈值分割出阴影区域ꎬ并赋予阴影质心二进制描述符ꎬ再与三维高程数据进行匹配ꎬ实现飞行器的图像导航ꎮ
３)根据陨石坑的特征ꎬ在太阳照射的阳面将
出现亮区域ꎬ在未照到的阴面将出现阴影区域ꎬ暗区域的外边缘呈现圆弧[８]ꎬ导致陨石坑通常亮区域和暗区域成对存在ꎬ故基于区域的检测方法可以利用亮暗区域成对存在来检测陨石坑ꎮＵｒｂａｃｈ等[９]同时处理图像的高光和阴暗特征ꎬ目标是消除所有与陨石坑无关的特征ꎬ剩下的高光和阴暗特征相互匹配ꎬ以标记可能是陨石坑的区域ꎬ最终能达到７０％的检出率ꎮ丁萌等[１０]利用区域生长
分别提取陨石坑亮㊁暗两区域ꎬ取得了较好的效果ꎮ
７
５６第５期㊀㊀㊀㊀胡㊀涛ꎬ等.行星陨石坑检测算法研究综述
通过视觉领域的特征提取算法从行星表面的灰度图像中提取与陨石坑相关的特征(比如边缘㊁斑点㊁角点和纹理等)来表征ꎬ该方法虽然取得了很好的效果ꎬ但是由行星着陆或地质工作而进行的研究同时需要探测直径１ｋｍ以下级别的许多小型陨石坑ꎬ当小尺寸的陨石坑和大尺寸的陨石坑在一起探测时ꎬ传统视觉方法缺乏适用性ꎮ
３㊀机器学习检测算法
机器学习可以在陨石坑检测计数流程的不同步骤(从获取包含陨石坑的图像到输出陨石坑位置)上使用ꎬ包括支持向量机(ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａ￣ｃｈｉｎｅꎬＳＶＭ)㊁决策树㊁特征提取增强算法㊁主成分
分析法和深度学习方法ꎬ如图２所示
ꎮ
图２㊀机器学习陨石坑检测算法
㊀Ｆｉｇ.２㊀Ｍａｃｈｉｎｅｌｅａｒｎｉｎｇｃｒａｔｅｒｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍ
近年来出现了以ＹＯＬＯ[１１]
(ＹｏｕＯｎｌｙＬｏｏｋＯｎｃｅ)㊁ＳＳＤ[１２](ＳｉｎｇｌｅＳｈｏｔＭｕｌｔｉＢｏｘＤｅｔｅｃｔｏｒ)为代表的ｏｎｅ￣ｓｔａｇｅ深度学习框架和以Ｒ￣ＣＮＮ[１３]㊁Ｆａｓｔ￣ＲＣＮＮ[１４]㊁Ｆａｓｔｅｒ￣ＲＣＮＮ[１５]㊁ＭａｓｋＲＣＮＮ[１６]为
代表的ｔｗｏ￣ｓｔａｇｅ深度学习框架ꎮ因此利用卷积神经网络(ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓꎬＣＮＮ)和循环神经网络(ＲｅｒｒｅｎｔＮｅｕｒａｌＮｅｔｗｏｒｋꎬＲＮＮ)等深层神经网络已成为从所有可用数据中确定复杂决策函数的首选方法ꎮＣＮＮ设计自己的表示特征ꎬ减轻了人类开发复杂预处理算法和人工输入特征的需要ꎬ这些网络结构能够成功地将出现在多个尺度上的物体分类并识别[１７]
ꎮ郑磊等[１８]
采用ＣＮＮ网络结合非极大值抑制算法对月面大型
陨石坑进行识别ꎮ利用机器学习来进行检测包括陨石坑分类和陨石坑分割定位ꎮ分类只是将每个候选陨石坑提交给网络进行评价ꎬ而分割定位的输入为包含多个陨石坑的图像ꎬ每个像素被分类
为是否属于陨石坑边缘ꎮ陨石坑的边缘像素会形成粗略的圆形或椭圆形ꎬ然后可以用于检测定位ꎬ如图３所示
ꎮ
图３㊀机器学习中陨石坑分类和分割的对比图[１９]
Ｆｉｇ.３㊀Ｃｏｍｐａｒｉｓｏｎｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｓｅｇｍｅｎｔａｔｉｏｎ
ｗｉｔｈｍａｃｈｉｎｅｌｅａｒｎｉｎｇ[１９]
３ １㊀深度学习陨石坑检测方法
卷积神经网络是目前深度学习技术领域中非
常具有代表性的神经网络之一ꎬ在图像分析和处理领域取得了众多突破性的进展ꎮ卷积神经网络是一种多层的监督学习神经网络ꎬ隐含层的卷积层和池化层是实现卷积神经网络特征提取功能的
核心模块ꎮ通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节ꎬ通过频繁的迭代训练提高网络的精度ꎮ紧接着全连接层的输入是由卷积层和池化层进行特征提取得到的特征图像ꎮ最后一层输出层是一个分类器ꎬ可以采用逻辑回归㊁Ｓｏｆｔｍａｘ回归甚至是支持向量机对输入的陨石坑图像进行分类ꎮ
利用深度学习卷积神经网络进行模型训练首先是陨石坑数据集的输入ꎬ这是非常重要的环节[２０]ꎬ目前的常用行星陨石坑数据集如表１所示ꎬ数据集的类型有可见光数据㊁数字高程模型(ＤｉｇｉｔａｌＥｌｅｖａｔｉｏｎＭｏｄｅｌꎬＤＥＭ)㊁数字地形模型(ＤｉｇｉｔａｌＴｅｒｒａｉｎＭｏｄｅｌꎬＤＴＭ)和红外数据ꎬ如图４所示ꎮ使用可见光数据进行陨石坑检测的主要缺点是光照条件的多样性ꎬ太阳高度角和光照强度的不同可能使赤道附近的陨石坑与两极附近的陨石坑看起来非常不同ꎬ这样会造成数据集之间的光照出现显著的变化ꎻ数字高程模型和数字地形模型数据不需要考虑光的角度ꎻ而红外数据ꎬ如火
８
５６载人航天第２６卷
㊀㊀㊀㊀
表１㊀行星体陨石坑位置数据库
Ｔａｂｌｅ１㊀Ｐｌａｎｅｔａｒｙｃｒａｔｅｒｌｏｃａｔｉｏｎｄａｔａｂａｓｅｓ
覆盖区域陨石坑尺寸原始图片数据包含数目类型数据库信息
月球
ȡ１~２ｋｍ
ＬＲＯＷＡＣ１００ｍ/ｐｘꎬＬＯＬＡꎬＬＯＬＡ￣ＳｅｌｅｎｅＤＴＭ６０ｍ/ｐｘＴｅｒｒａｉｎＣａｍｅｒａ
>２百万个陨石坑
目前最大的陨石坑数据库(截止２０１９年１月)[２１]
月球５~２０ｋｍ
２００ ０ＬＲＯＣＷｉｄｅＡｎｇｌｅＣａｍｅｒａ(ＷＡＣ)ꎬ
１００ｍｅｔｅｒｓｐｅｒｐｉｘｅｌꎬｍｏｎｏｃｈｒｏｍｅ(６４３ｎｍ)ｍｏｓａｉｃａｎｄＤＴＭ
２２７４６个陨石坑数据扩大中[２２]
月球２００ｋｍ
ＧｒａｖｉｔｙＲｅｃｏｖｅｒｙａｎｄＩｎｔｅｒｉｏｒ
Ｌａｂｏｒａｔｏｒｙ(ＧＲＡＩＬ)７４个盆地利用重力变化探测盆地[２３]月球ȡ２０ｋｍ
ＬｕｎａｒＯｒｂｉｔｅｒＬａｓｅｒＡｌｔｉｍｅｔｅｒ(ＬＯＬＡ)ꎬ
６４ｐｉｘｅｌｓｐｅｒｄｅｇｒｅｅＤＴＭｄａｔａ
５１５８个陨石坑ＬＯＬＡ是月球勘测轨道器(ＬＲＯ)任务中的[２４]火星ȡ１ｋｍＴＨＥＭＩＳ(接近红外)
>３０万陨石坑火星最大的陨石坑数据库ꎬ
简称ＲＨ２０１２[２５]
火星
ȡ８ｋｍȡ５ｋｍ
Ｖｉｋｉｎｇ１ʒ２Ｍｐｈｏｔｏｍｏｓａｉｃｓ
２５８２６个陨石坑４２２８３个陨石坑
主要使用大于８ｋｍ的数据[２６]
星ＴＨＥＭＩＳ日间红外图像集部分解决了光照条件问题ꎮＳｉｌｂｕｒｔ等[２７]利用数字高程模型和数字地形模型数据ꎬ此数据类型不存在阴影问题ꎬ因为仅有每个像素的高程数据ꎮ由于陨石坑圆形的规则性和对称性ꎬ这种类型数据在探测陨石坑方面非常有效ꎬＹａｍａｍｏｔｏ等[２８]也在非ＣＮＮ方法中利用了这种对称性ꎬ这类数据的最大缺点是分辨率的限制ꎬ并且不适用于所有行星体
ꎮ
图４㊀ＤＥＭ㊁红外和可见光陨石坑数据[２０]
Ｆｉｇ.４㊀ＥｘａｍｐｌｅｓｏｆＤＥＭꎬｉｎｆｒａｒｅｄꎬａｎｄｖｉｓｉｂｌｅｌｉｇｈｔ
ｉｍａｇｅｓｏｆｃｒａｔｅｒｓ[２０]
在分类方法中ꎬ首先对候选陨石坑区域进行预处理ꎬ然后将每个候选陨石坑提交给网络进行评价ꎮＰａｌａｆｏｘ等[２９]将５个卷积层架构并行运行组成ＭａｒｓＮｅｔꎬ并在ＨｉＲＩＳＥ数据集上和ＳＶＭ进行比较ꎬ取得的效果比ＳＶＭ更加优越ꎮ在分割＋定位方法中ꎬ输入整个图像ꎬ算法将图像分割成块ꎬ不考虑陨石坑的位置ꎬ然后识别候选陨石坑ꎬ对候选陨石坑进行后处理并标出位置ꎬ再利用传统的计算机视觉方法ꎬ如模板匹配ꎬ可以识别圆形形状并输出位置和半径ꎮＤｅＬａｔｔｅ等[３０]和Ｓｉｌｂｕｒｔ
等[２７]都使用了进行Ｕ￣Ｎｅｔ的分割网络(图５)ꎬ后者还使用迁移学习将模型应用到水星陨石坑的检测当中ꎮ利用分割陨石坑检测ꎬ计数图像在输入网络之前不需要经过预处理成较小的候选陨石坑区域ꎬ可以实现自动定位
ꎮ
图５㊀基于ＵＮＥＴ的网络结构[３１]
Ｆｉｇ.５㊀
ＣｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｒｃｈｉｔｅｃｔｕｒｅｂａｓｅｄｏｎＵＮＥＴ[３１]
Ｅｍａｍｉ等[３１]采用ＦａｓｔｅｒＲ￣ＣＮＮ来进行月球
陨石坑的检测ꎬＦａｓｔｅｒＲ￣ＣＮＮ中的区域候选网络(ＲｅｇｉｏｎＰｒｏｐｏｓａｌＮｅｔｗｏｒｋꎬＲＰＮ)以最后一个卷积层的特征映射为输入ꎬ输出一组对象可能位置的区域ꎮＲＰＮ首先通过在输入的不同位置上覆盖一个小窗口ꎬ并将这些区域反馈到回归层和分类层中ꎬ以获得对象分数和优化的对象位置ꎬ从而生成候选区域ꎻ然后目标区域层将目标得分较高的区域方案转化为固定大小的特征图ꎬ由目标检测网络进行分类ꎻ最终该网络输出分类标签和目标
９
５６第５期㊀㊀㊀㊀胡㊀涛ꎬ等.行星陨石坑检测算法研究综述
边界框位置ꎬ并在测试图像上可以获得９０％以上的准确率ꎮ
３ ２㊀其他的机器学习检测方法
其他的机器学习方法也被应用于陨石坑的检测中ꎬ包括支持向量机和决策树[３２]ꎮＳＶＭ的基本思想是找到一个超平面ꎬ该超平面以最佳方式将正负样本分开ꎬ其中最优性由平面距离的大小来定义ꎬ即当映射到超平面的法向量上时ꎬ正负样本之间的最小距离ꎮ这些和其他早期的机器学习研究都属于手动设计的特征ꎮ
在大多数方法中ꎬ候选陨石坑必须在运行机器学习算法之前进行定位ꎮ因此这些位置是先验的ꎬ但陨石坑或非陨石坑的标签不是先验的ꎮＵｒ￣ｂａｃｈ等[９]使用Ｃ４ ５算法构建决策树分类器来识别候选区域中的陨石坑ꎬ如图６所示ꎮＣ４ ５算法用信息增益率选择特征ꎬ在树的构造过程中会进行剪枝操作优化ꎬ能够自动完成对连续属性的离散化处理ꎬ在选择分割属性的时候选择信息增益率最大的属性[３２]ꎮ
图６㊀利用决策树算法进行分类[９]
Ｆｉｇ.６㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｗｉｔｈｄｅｃｉｓｉｏｎｔｒｅｅａｌｇｏｒｉｔｈｍ[９]Ｗａｎｇ等[３３]使用Ｈａａｒ￣ｌｉｋｅ特征描述样本ꎬ采用自适应增强方法对有用特征进行选择和组合ꎬ使用级联结构提高处理效率ꎮ增强方法只需在陨石坑训练集的不同随机子集上训练多个分类器ꎬ对其决策进行平均或多数投票ꎬ然后进行组合生成复合分类器ꎬ提高了分类的准确性和可靠性ꎮＭａｃｈａｄｏ等[３４]使用Ｈａａｒ纹理特征和支持向量机检测月球的陨石坑数据ꎮＷｅｔｚｌｅｒ等[３５]使用支持向量机对火星上的陨石坑进行检测定位ꎬ并与Ｈｏｕｇｈ变换㊁人工检测进行了比较ꎬ实验显示支持向量机效果最好ꎮ
３ ３㊀评价指标
陨石坑检测中常用查准率Ｐ和查全率Ｒ作为评估检测效果的重要指标[３６]ꎬ为了平衡查准率和查全率ꎬ一个常用的指标就是查准率和查全率的调和平均数ꎬ记为Ｆ１[３７￣３８]ꎬ具体见式(１)ꎮ
Ｐ＝
Ｔｐ
Ｔｐ＋Ｆｐ
Ｒ＝
Ｔｐ
Ｔｐ＋Ｆｎ
Ｆ１＝２ＰＲＰ＋Ｒ(１)㊀㊀式中ꎬＴｐ为人工注释集与网络生成的列表之间的正确匹配ꎬＦｎ为标签列表中未找到的陨石坑ꎬＦｐ为已识别但与标注列表不匹配的陨石坑ꎮ由于光照和陨石坑阴影的影响ꎬ样本数据集可能会出现不同程度的噪声ꎬ这种干扰会使模型过分记住特征ꎬ而忽略了真实的输入输出间的关系ꎬ造成过拟合ꎮ在这种情况下ꎬ可以使用交叉验证来减少模型的过拟合[３９]ꎬ即将陨石坑数据样本切割成较小子集ꎬ先将一个子集作为训练集训练ꎬ其它子集做测试集ꎬ用来验证ＣＤＡ的性能ꎮ这样重复运用随机产生的子样本进行训练和验证ꎬ每次随机验证一次ꎬ不仅可以减少过拟合ꎬ还可以克服数据集较少的缺点
ꎮ
图７㊀卷积神经网络在数据集上的分类表现[３１]
Ｆｉｇ.７㊀ＣｌａｓｓｉｆｉｃａｔｉｏｎｐｅｒｆｏｒｍａｎｃｅｏｆｄｅｅｐＣＮＮｓｏｎｃｒａｔｅｒｄｅｔｅｃｔｉｏｎｔｅｓｔｓｅｔ[３１]
为了评估分类性能ꎬ根据学者们陨石坑检测结果的查全率和查准率ꎬ图７给出了ＶＧＧＮｅｔ[４０]㊁ＧｏｏｇｌｅＮｅｔ[４１]和ＲｅｓＮｅｔ[４２]３种卷积神经网络在陨石坑测试集上的分类结果ꎮ这３个分类器在测试集上都表现得很好ꎮ虽然３个网络正确地分类了大多数阳性样本ꎬ但ＶＧＧＮｅｔ的召回率略高于其他２个网络ꎬ召回率为９９ ２３％ꎮ表２为传统图像陨石坑检测与深度学习卷积神经网络在各自的数据集进行的测试ꎬ评价方法存在差异ꎬ难以归一化ꎬ但是仍可以看出传统视觉检测在精度方面大大落后于深度学习网络检测方法ꎬ而各个训练网
０６６载人航天第２６卷
络模型之间的精度却相差不大ꎬ都能达到近似９０％的精度ꎮ
表２㊀传统图像检测与深度学习检测对比
Ｔａｂｌｅ２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｔｒａｄｉｔｉｏｎａｌｉｍａｇｅｄｅｔｅｃｔｉｏｎａｎｄ
ｄｅｅｐｌｅａｒｎｉｎｇｄｅｔｅｃｔｉｏｎ
检测方法ＲＰ模板匹配[４３]８６ ５７％
１５ ９５％
Ｐｏｓｔ￣ＣＮＮ
[２１]
５６％ʃ２０％８１％ʃ１６％ＭａｒｓＮｅｔ[２９]
９４ ８６％９３ ５６％ＣｒａｔｅｒＩＤＮｅｔ
[４４]
９６ ５２％８６ ８７％４㊀对深度学习检测陨石坑的技术展望
１)扩大数据集的种类和范围ꎬ可以使用红外
图像数据和ＤＥＭ数据结合可见光图像数据ꎬ增加数据集的范围ꎬ采集包括行星高低纬度㊁不同经度㊁各种地貌条件下的陨石坑数据ꎮ一般的深度学习训练网络都是以陨石坑正负样本训练集进行二分类ꎬ使用附加的注释数据集ꎬ添加更多的标签种类ꎬ可以使用这些技术检测更多的对象ꎬ如岩石㊁山坡等其他障碍(图８)ꎬ对于载人登月㊁行星着陆探测自主障碍检测规避具有非常重要的意义
ꎮ
图８㊀月球表面障碍
[３０]
Ｆｉｇ.８㊀Ｏｂｓｔａｃｌｅｓｏｎｌｕｎａｒｓｕｒｆａｃｅ[３０]
２)生成性对抗网络[４５](ＧｅｎｅｒａｔｉｖｅＡｄｖｅｒｓａｒｉａｌ
ＮｅｔｗｏｒｋｓꎬＧＡＮ)ꎬ利用零和博弈的思想ꎬ从一段随机数中生成逼真的图像ꎬ用于产生额外的训练数据ꎬ以避免过度拟合ꎬ而且ＧＡＮ有助于改善不同地形环境之间的特征变换ꎮ
３)迁移学习是深度学习中的一个重要趋势ꎬ
如果缺乏更广泛的陨石坑数据集ꎬ可以使用机器学习中的迁移学习ꎬ通过使用在其他大型数据集上预训练好的网络作为基础ꎬ在对陨石坑进行额外的训练ꎬ并且随着在新的数据集上进行训练而改进ꎮ例如ꎬＮｏｒｍａｎ等[４６]使用在ＩｍａｇｅＮｅｔ数据集预先训练的ＧｏｏｇｌｅＮｅｔ￣ＯｖｅｒＦｅａｔ探测火星上的
陨石坑ꎮ从头开始的训练需要更多的参数调整ꎬ通过使用预先训练或部分预先训练的网络ꎬ可以减少训练时间ꎬ并且可以使用更多类型的网络体系结构ꎮ
４)二阶梯度优化ꎮ目前ꎬ无论是从理论还是
应用层面来说ꎬ机器学习中的优化都是以随机梯度下降等一阶梯度方法为主ꎬ常见的一阶最优化器ꎬ有Ａｄａｍ㊁ＡｄａＧｒａｄ以及ＳＧＤ＋Ｍｏｍｅｎｔｕｍꎮ而二阶梯度ꎬ相当于梯度的梯度ꎬ加快了收敛速度ꎬＡｎｉｌ等[４７]提出的二阶梯度优化方法Ｓｈａｍｐｏｏꎬ大大加快了模型的训练速度ꎬ若能应用于陨石坑检测的深度学习模型中ꎬ会提高其检测速度ꎬ节省大量时间ꎮ
５)云计算提供了一个与这些大数据集合作
的机会ꎬ特别是对于那些无法访问超级计算机的研究人员ꎬ先进的深度学习网络框架可以同时访问这些远程资源并执行ꎮ
５㊀小结
传统视觉检测方法较简单ꎬ利用灰度和纹理等特征进行一系列像素操作ꎬ可以为深度学习网络的预处理提供支持ꎬ从而通过混合的方法来处理陨石坑数据ꎬ这样既可以降低网络对功耗㊁内存和训练工作方面的要求ꎬ还能提高运行速度ꎮ
行星地质学者和机器学习学者之间进行合作ꎬ将有助于促进陨石坑探测方式的重大研究和改进ꎬ特别是在进行联合跨学科项目时ꎬ一些学者正在使用卷积神经网络等技术来允许算法发展自己的特性ꎮ随着深度学习领域的论文数量和研究方法呈指数增长ꎬ陨石坑检测识别可以从新的研究中受益ꎮ经过适当训练的深度神经网络可以很好地识别出变量环境(行星的高低纬㊁不同的分辨率或不同的太阳光照角)ꎬ更加灵活可靠ꎬ这是传统方法无法做到的ꎬ它也优于那些需要事先手动设置检测相关属性ꎬ而后才能训练为可以检测陨石坑的传统机器学习方法ꎮ
未来需要在月球上建造基础设施和基站ꎬ可与在现场供应建筑材料和能源的地区相连接ꎬ通过检测识别月球表面的陨石坑ꎬ预先探测并收集其几何拓扑信息ꎬ而卷积神经网络提供了一个很好的机会ꎬ可以直接从带注释的图像中自动收集相关的科学信息ꎬ而不需要手动检测ꎮ因此基于
１
６６第５期㊀㊀㊀㊀胡㊀涛ꎬ等.行星陨石坑检测算法研究综述
深度学习的检测方法是陨石坑检测算法研究中的重要方向ꎮ
参考文献(Ｒｅｆｅｒｅｎｃｅｓ)
[１]㊀张润ꎬ王永滨.机器学习及其算法和发展研究[Ｊ].中国传媒大学学报(自然科学版)ꎬ２０１６ꎬ２３(０２):１０￣１８＋２４.
ＺｈａｎｇＲꎬＷａｎｇＹＢ.Ｒｅｓｅａｒｃｈｏｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｎｄｉｔｓａｌ￣
ｇｏｒｉｔｈｍｓａｎｄｄｅｖｅｌｏｐｍｅｎｔ[Ｊ].ＪｏｕｒｎａｌｏｆＣｏｍｍｕｎｉｃａｔｉｏｎＵ￣
ｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎａ(ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ)ꎬ２０１６ꎬ２３(０２):
１０￣１８＋２４.(ｉｎＣｈｉｎｅｓｅ)
[２]㊀ＹｅＬꎬＸｕＸꎬＬｕａｎＤꎬｅｔａｌ.Ａｕｔｏｍａｔｉｃｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉ￣ｔｉｏｎｏｆｃｒａｔｅｒｓｂａｓｅｄｏｎｔｈｅｓｐｅｃｔｒａｌｆｅａｔｕｒｅｓｏｆｌｕｎａｒｒｏｃｋｓａｎｄ
ｍｉｎｅｒａｌｓ[Ｊ].ｔｈｅＩｎｔｅｒｎａｔｉｏｎａｌＡｒｃｈｉｖｅｓｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙꎬ
ＲｅｍｏｔｅＳｅｎｓｉｎｇａｎｄＳｐａｔｉａｌＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｓꎬ２０１７ꎬ４２:
１９９.
[３]㊀ＪｏｈｎｓｏｎＡＥ.Ｓｕｒｆａｃｅｌａｎｄｍａｒｋｓｅｌｅｃｔｉｏｎａｎｄｍａｔｃｈｉｎｇｉｎｎａｔ￣ｕｒａｌｔｅｒｒａｉｎ[Ｃ]//ＰｒｏｃｅｅｄｉｎｇｓＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒ
ＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎꎬＩＥＥＥꎬ２０００ꎬ２:４１３￣４２０. [４]㊀ＬｅｒｏｙＢꎬＭｅｄｉｏｎｉＧꎬＪｏｈｎｓｏｎＥꎬｅｔａｌ.Ｃｒａｔｅｒｄｅｔｅｃｔｉｏｎｆｏｒａｕｔｏｎｏｍｏｕｓｌａｎｄｉｎｇｏｎａｓｔｅｒｏｉｄｓ[Ｊ].ＩｍａｇｅａｎｄＶｉｓｉｏｎＣｏｍ￣
ｐｕｔｉｎｇꎬ２００１ꎬ１９(１１):７８７￣７９２.
[５]㊀ＣｈｅｎｇＹꎬＪｏｈｎｓｏｎＡＥꎬＭａｔｔｈｉｅｓＬＨꎬｅｔａｌ.Ｏｐｔｉｃａｌｌａｎｄ￣ｍａｒｋｄｅｔｅｃｔｉｏｎｆｏｒｓｐａｃｅｃｒａｆｔｎａｖｉｇａｔｉｏｎ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆ
ｔｈｅ１３ｔｈＡｎｎｕａｌＡＡＳ/ＡＩＡＡＳｐａｃｅＦｌｉｇｈｔＭｅｃｈａｎｉｃｓＭｅｅｔｉｎｇꎬ
ＰｏｎｃｅꎬＰｕｅｒｔｏＲｉｃｏꎬ２００３:１￣１９.
[６]㊀郭烈ꎬ王荣本ꎬ毛晓燕ꎬ等.基于机器视觉的环境感知坑检测方法研究[Ｃ]//中国宇航学会深空探测技术专业委
员会第二届学术会议论文集ꎬ２００５:３８３￣３８８.
ＧｕｏＬꎬＷａｎｇＲＢꎬＭａｏＸＹꎬｅｔａｌ.Ｒｅｓｅａｒｃｈｏｎｅｎｖｉｒｏｎｍｅｎｔａｌ
ｐｅｒｃｅｐｔｉｏｎｐｉｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎ
[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２ｎｄＡｃａｄｅｍｉｃＣｏｎｆｅｒｅｎｃｅｏｆＤｅｅｐ
ＳｐａｃｅＥｘｐｌｏｒａｔｉｏｎＴｅｃｈｎｏｌｏｇｙＣｏｍｍｉｔｔｅｅｏｆＣｈｉｎｅｓｅＡｓｔｒｏｎａｕ￣
ｔｉｃａｌＳｏｃｉｅｔｙꎬ２００５:３８３￣３８８.(ｉｎＣｈｉｎｅｓｅ)
[７]㊀ＫａｕｆｍａｎｎＨꎬＬｉｎｇｅｎａｕｂｅｒＭꎬＢｏｄｅｎｍｕｅｌｌｅｒＴꎬｅｔａｌ.Ｓｈａｄ￣ｏｗ￣ｂａｓｅｄｍａｔｃｈｉｎｇｆｏｒｐｒｅｃｉｓｅａｎｄｒｏｂｕｓｔａｂｓｏｌｕｔｅｓｅｌｆ￣ｌｏｃａｌｉ￣
ｚａｔｉｏｎｄｕｒｉｎｇｌｕｎａｒｌａｎｄｉｎｇｓ[Ｃ]//２０１５ＩＥＥＥＡｅｒｏｓｐａｃｅＣｏｎ￣
ｆｅｒｅｎｃｅꎬＩＥＥＥꎬ２０１５:１￣１３.
[８]㊀张洪华ꎬ梁俊ꎬ黄翔宇ꎬ等.嫦娥三号自主避障软着陆控制技术[Ｊ].中国科学:技术科学ꎬ２０１４ꎬ４４(０６):５５９￣５６８.
ＺｈａｎｇＨＨꎬＬｉａｎｇＪꎬＨｕａｎｇＸＹꎬｅｔａｌ.Ａｕｔｏｎｏｍｏｕｓｏｂｓｔａｃｌｅ
ａｖｏｉｄａｎｃｅｓｏｆｔｌａｎｄｉｎｇｃｏｎｔｒｏｌｔｅｃｈｎｏｌｏｇｙｆｏｒＣｈａｎｇ'ｅ￣３[Ｊ].
ＳｃｉｅｎｃｅｉｎＣｈｉｎａ:ＴｅｃｈｎｉｃａｌＳｃｉｅｎｃｅꎬ２０１４ꎬ４４(０６):５５９￣
５６８.(ｉｎＣｈｉｎｅｓｅ)
[９]㊀ＵｒｂａｃｈＥＲꎬＳｔｅｐｉｎｓｋｉＴＦ.Ａｕｔｏｍａｔｉｃｄｅｔｅｃｔｉｏｎｏｆｓｕｂ￣ｋｍｃｒａｔｅｒｓｉｎｈｉｇｈｒｅｓｏｌｕｔｉｏｎｐｌａｎｅｔａｒｙｉｍａｇｅｓ[Ｊ].Ｐｌａｎｅｔａｒｙａｎｄ
ＳｐａｃｅＳｃｉｅｎｃｅꎬ２００９ꎬ５７(７):８８０￣８８７.
[１０]㊀ＤｉｎｇＭꎬＣａｏＹＦꎬＷｕＱＸ.Ａｍｅｔｈｏｄｏｆｃｒａｔｅｒｓｄｅｔｅｃｔｉｏｎｆｒｏｍｔｈｅｓｕｒｆａｃｅｉｍａｇｅｒｙｏｆｍｏｏｎ[Ｊ].ＪｏｕｒｎａｌｏｆＡｓｔｒｏｎａｕｔｉｃｓꎬ
２００９ꎬ３０(３):１２４３￣１２４８.
[１１]㊀ＲｅｄｍｏｎＪꎬＤｉｖｖａｌａＳꎬＧｉｒｓｈｉｃｋＲꎬｅｔａｌ.Ｙｏｕｏｎｌｙｌｏｏｋｏｎｃｅ:Ｕｎｉｆｉｅｄꎬｒｅａｌ￣ｔｉｍｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ
ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉ￣
ｔｉｏｎꎬ２０１６:７７９￣７８８.
[１２]㊀ＬｉｕＷꎬＡｎｇｕｅｌｏｖＤꎬＥｒｈａｎＤꎬｅｔａｌ.Ｓｓｄ:Ｓｉｎｇｌｅｓｈｏｔｍｕｌｔｉ￣ｂｏｘｄｅｔｅｃｔｏｒ[Ｃ]//ＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎꎬ
ＳｐｒｉｎｇｅｒꎬＣｈａｍꎬ２０１６:２１￣３７.
[１３]㊀ＧｉｒｓｈｉｃｋＲꎬＤｏｎａｈｕｅＪꎬＤａｒｒｅｌｌＴꎬｅｔａｌ.Ｒｉｃｈｆｅａｔｕｒｅｈｉｅｒａｒ￣ｃｈｉｅｓｆｏｒａｃｃｕｒａｔｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎ
[Ｃ]//ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉ￣
ｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎꎬ２０１４:５８０￣５８７.[１４]㊀ＧｉｒｓｈｉｃｋＲ.Ｆａｓｔｒ￣ｃｎｎ[Ｃ]//ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔｅｒ￣ｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎꎬ２０１５:１４４０￣１４４８. [１５]㊀ＲｅｎＳꎬＨｅＫꎬＧｉｒｓｈｉｃｋＲꎬｅｔａｌ.Ｆａｓｔｅｒｒ￣ｃｎｎ:Ｔｏｗａｒｄｓｒｅａｌ￣ｔｉｍｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｗｉｔｈｒｅｇｉｏｎｐｒｏｐｏｓａｌｎｅｔｗｏｒｋｓ[Ｃ]//Ａｄ￣
ｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓꎬ２０１５:９１￣
９９.
[１６]㊀ＨｅＫꎬＧｋｉｏｘａｒｉＧꎬＤｏｌｌáｒＰꎬｅｔａｌ.Ｍａｓｋｒ￣ｃｎｎ[Ｃ]//Ｐｒｏ￣ｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒ
Ｖｉｓｉｏｎꎬ２０１７:２９６１￣２９６９.
[１７]㊀ＬｉＧꎬＹｕＹ.Ｖｉｓｕａｌｓａｌｉｅｎｃｙｂａｓｅｄｏｎｍｕｌｔｉｓｃａｌｅｄｅｅｐｆｅａｔｕｒｅｓ[Ｃ]//ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉ￣
ｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎꎬ２０１５:５４５５￣５４６３.
[１８]㊀郑磊ꎬ胡维多ꎬ刘畅.基于深度学习的大型陨石坑识别方法研究[Ｊ].北京航空航天大学学报ꎬ２０２０ꎬ４６(５):９９４￣
１００４.
ＺｈｅｎｇＬꎬＨｕＷＤꎬＬｉｕＣ.Ｌａｒｇｅｃｒａｔｅｒｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄ
ｂａｓｅｄｏｎｄｅｅｐｌｅａｒｎｉｎｇ[Ｊ].ＪｏｕｒｎａｌｏｆＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆ
ＡｅｒｏｎａｕｔｉｃｓａｎｄＡｓｔｒｏｎａｕｔｉｃｓꎬ２０２０ꎬ４６(５):９９４￣１００４.(ｉｎ
Ｃｈｉｎｅｓｅ)
[１９]㊀ＤｅＬａｔｔｅＤＭꎬＣｒｉｔｅｓＳＴꎬＧｕｔｔｅｎｂｅｒｇＮꎬｅｔａｌ.Ａｕｔｏｍａｔｅｄｃｒａｔｅｒｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓｆｒｏｍａｍａｃｈｉｎｅｌｅａｒｎｉｎｇｐｅｒｓｐｅｃ￣
ｔｉｖｅｉｎｔｈｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｅｒａ[Ｊ].Ａｄｖａｎｃｅｓｉｎ
ＳｐａｃｅＲｅｓｅａｒｃｈꎬ２０１９ꎬ６４(８):１６１５￣１６２８.
[２０]㊀ＧｌａｕｄｅＱ.ＣｒａｔｅｒＮｅｔ:Ａｆｕｌｌｙｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｌｕｎａｒｃｒａｔｅｒｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｒｅｍｏｔｅｌｙｓｅｎｓｅｄｄａｔａ[ＥＢ/
ＯＬ].[２０１７￣１１￣１７].ｈｔｔｐｓ://ｏｒｂｉ.ｕｌｉｅｇｅ.ｂｅ/ｂｉｔｓｔｒｅａｍ/２２６８/
２２３１３８/１/２０１７１１２３＿ＧＬＡＵＤＥ￣Ｑｕｅｎｔｉｎ.ｐｄｆ.
[２１]㊀ＲｏｂｂｉｎｓＳＪ.Ａｎｅｗｇｌｏｂａｌｄａｔａｂａｓｅｏｆｌｕｎａｒｉｍｐａｃｔｃｒａｔｅｒｓ>１￣２ｋｍ:１.Ｃｒａｔｅｒｌｏｃａｔｉｏｎｓａｎｄｓｉｚｅｓꎬｃｏｍｐａｒｉｓｏｎｓｗｉｔｈｐｕｂ￣
ｌｉｓｈｅｄｄａｔａｂａｓｅｓꎬａｎｄｇｌｏｂａｌａｎａｌｙｓｉｓ[Ｊ].ＪｏｕｒｎａｌｏｆＧｅｏｐｈｙｓ￣
ｉｃａｌＲｅｓｅａｒｃｈ:Ｐｌａｎｅｔｓꎬ２０１９ꎬ１２４(４):８７１￣８９２. [２２]㊀ＰｏｖｉｌａｉｔｉｓＲＺꎬＲｏｂｉｎｓｏｎＭＳꎬｖａｎｄｅｒＢｏｇｅｒｔＣＨꎬｅｔａｌ.
Ｃｒａｔｅｒｄｅｎｓｉｔｙｄｉｆｆｅｒｅｎｃｅｓ:Ｅｘｐｌｏｒｉｎｇｒｅｇｉｏｎａｌｒｅｓｕｒｆａｃｉｎｇꎬ
ｓｅｃｏｎｄａｒｙｃｒａｔｅｒｐｏｐｕｌａｔｉｏｎｓꎬａｎｄｃｒａｔｅｒｓａｔｕｒａｔｉｏｎｅｑｕｉｌｉｂｒｉ￣
ｕｍｏｎｔｈｅｍｏｏｎ[Ｊ].ＰｌａｎｅｔａｒｙａｎｄＳｐａｃｅＳｃｉｅｎｃｅꎬ２０１８ꎬ
１６２:４１￣５１.
[２３]㊀ＮｅｕｍａｎｎＧＡꎬＺｕｂｅｒＭＴꎬＷｉｅｃｚｏｒｅｋＭＡꎬｅｔａｌ.Ｌｕｎａｒｉｍ￣ｐａｃｔｂａｓｉｎｓｒｅｖｅａｌｅｄｂｙｇｒａｖｉｔｙｒｅｃｏｖｅｒｙａｎｄｉｎｔｅｒｉｏｒｌａｂｏｒａｔｏｒｙ
ｍｅａｓｕｒｅｍｅｎｔｓ[Ｊ].ＳｃｉｅｎｃｅＡｄｖａｎｃｅｓꎬ２０１５ꎬ１(９):ｅ１５００８５２. [２４]㊀ＨｅａｄＪＷꎬＦａｓｓｅｔｔＣＩꎬＫａｄｉｓｈＳＪꎬｅｔａｌ.Ｇｌｏｂａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｌａｒｇｅｌｕｎａｒｃｒａｔｅｒｓ:Ｉｍｐｌｉｃａｔｉｏｎｓｆｏｒｒｅｓｕｒｆａｃｉｎｇａｎｄｉｍｐａｃ￣
ｔｏｒｐｏｐｕｌａｔｉｏｎｓ[Ｊ].Ｓｃｉｅｎｃｅꎬ２０１０ꎬ３２９:１５０４￣１５０７. [２５]㊀ＲｏｂｂｉｎｓＳＪꎬＨｙｎｅｋＢＭ.ＡｎｅｗｇｌｏｂａｌｄａｔａｂａｓｅｏｆＭａｒｓｉｍ￣ｐａｃｔｃｒａｔｅｒｓȡ１ｋｍ:１.Ｄａｔａｂａｓｅｃｒｅａｔｉｏｎꎬｐｒｏｐｅｒｔｉｅｓꎬａｎｄ
ｐａｒａｍｅｔｅｒｓ[Ｊ].ＪｏｕｒｎａｌｏｆＧｅｏｐｈｙｓｉｃａｌＲｅｓｅａｒｃｈ:Ｐｌａｎｅｔｓꎬ
２０１２ꎬ１１７(Ｅ５).
[２６]㊀ＢａｒｌｏｗＮＧ.Ｃｒａｔｅｒｓｉｚｅ￣ｆｒｅｑｕｅｎｃｙｄｉｓｔｒｉｂｕｔｉｏｎｓａｎｄａｒｅｖｉｓｅｄＭａｒｔｉａｎｒｅｌａｔｉｖｅｃｈｒｏｎｏｌｏｇｙ[Ｊ].Ｉｃａｒｕｓꎬ１９８８ꎬ７５(２):２８５￣
３０５.
[２７]㊀ＳｉｌｂｕｒｔＡꎬＡｌｉ￣ＤｉｂＭꎬＺｈｕＣꎬｅｔａｌ.Ｌｕｎａｒｃｒａｔｅｒｉｄｅｎｔｉｆｉｃａ￣ｔｉｏｎｖｉａｄｅｅｐｌｅａｒｎｉｎｇ[Ｊ].Ｉｃａｒｕｓꎬ２０１９ꎬ３１７:２７￣３８. [２８]㊀ＹａｍａｍｏｔｏＳꎬＭａｔｓｕｎａｇａＴꎬＮａｋａｍｕｒａＲꎬｅｔａｌ.Ａｎａｕｔｏｍａ￣ｔｅｄｍｅｔｈｏｄｆｏｒｃｒａｔｅｒｃｏｕｎｔｉｎｇｕｓｉｎｇｒｏｔａｔｉｏｎａｌｐｉｘｅｌｓｗａｐｐｉｎｇ
ｍｅｔｈｏｄ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅ
Ｓｅｎｓｉｎｇꎬ２０１７ꎬ５５(８):４３８４￣４３９７.
[２９]㊀ＰａｌａｆｏｘＬＦꎬＨａｍｉｌｔｏｎＣＷꎬＳｃｈｅｉｄｔＳＰꎬｅｔａｌ.ＡｕｔｏｍａｔｅｄｄｅｔｅｃｔｉｏｎｏｆｇｅｏｌｏｇｉｃａｌｌａｎｄｆｏｒｍｓｏｎＭａｒｓｕｓｉｎｇＣｏｎｖｏｌｕｔｉｏｎａｌ
ＮｅｕｒａｌＮｅｔｗｏｒｋｓ[Ｊ].Ｃｏｍｐｕｔｅｒｓ＆Ｇｅｏｓｃｉｅｎｃｅｓꎬ２０１７ꎬ１０１:
４８￣５６.
[３０]㊀ＤｅＬａｔｔｅＤＭꎬＣｒｉｔｅｓＳＴꎬＧｕｔｔｅｎｂｅｒｇＮꎬｅｔａｌ.Ｓｅｇｍｅｎｔａｔｉｏｎｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒａｕｔｏｍａｔｉｃｃｒａｔｅｒｄｅｔｅｃｔｉｏｎｏｎ
Ｍａｒｓ[Ｊ].ＩＥＥＥＪｏｕｒｎａｌｏｆＳｅｌｅｃｔｅｄＴｏｐｉｃｓｉｎＡｐｐｌｉｅｄＥａｒｔｈ
２６６载人航天第２６卷
ＯｂｓｅｒｖａｔｉｏｎｓａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１９ꎬ１２(８):２９４４￣
２９５７.
[３１]㊀ＥｍａｍｉＥꎬＢｅｂｉｓＧꎬＮｅｆｉａｎＡꎬｅｔａｌ.Ａｕｔｏｍａｔｉｃｃｒａｔｅｒｄｅｔｅｃ￣ｔｉｏｎｕｓｉｎｇｃｏｎｖｅｘｇｒｏｕｐｉｎｇａｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ
[Ｃ]//ＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＶｉｓｕａｌＣｏｍｐｕｔｉｎｇ.Ｓｐｒｉｎｇ￣
ｅｒꎬＣｈａｍꎬ２０１５:２１３￣２２４.
[３２]㊀潘琛ꎬ杜培军ꎬ张海荣.决策树分类法及其在遥感图像处理中的应用[Ｊ].测绘科学ꎬ２００８(０１):２０８￣２１１＋２５３.
ＰａｎＣꎬＤｕＰＪꎬＺｈａｎｇＨＲ.Ｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄ
ｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ[Ｊ].Ｓｃｉ￣
ｅｎｃｅｏｆＳｕｒｖｅｙｉｎｇＡｎｄＭａｐｐｉｎｇꎬ２００８(０１):２０８￣２１１＋２５３.
(ｉｎＣｈｉｎｅｓｅ)
[３３]㊀ＷａｎｇＹꎬＷｕＢ.Ａｃｔｉｖｅｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｐｐｒｏａｃｈｆｏｒｃｒａｔｅｒｄｅｔｅｃｔｉｏｎｆｒｏｍｐｌａｎｅｔａｒｙｉｍａｇｅｒｙａｎｄｄｉｇｉｔａｌｅｌｅｖａｔｉｏｎｍｏｄｅｌｓ
[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ
２０１９ꎬ５７(８):５７７７￣５７８９.
[３４]㊀ＭａｃｈａｄｏＭꎬＢａｎｄｅｉｒａＬꎬＰｉｎａＰ.Ａｕｔｏｍａｔｉｃｃｒａｔｅｒｄｅｔｅｃｔｉｏｎｉｎｌａｒｇｅｓｃａｌｅｏｎｌｕｎａｒｍａｒｉａ[Ｃ]//４６ｔｈＬｕｎａｒａｎｄＰｌａｎｅｔａｒｙ
ＳｃｉｅｎｃｅＣｏｎｆｅｒｅｎｃｅꎬ２０１５ꎬ１７９７.
[３５]㊀ＷｅｔｚｌｅｒＰＧꎬＨｏｎｄａＲꎬＥｎｋｅＢꎬｅｔａｌ.Ｌｅａｒｎｉｎｇｔｏｄｅｔｅｃｔｓｍａｌｌｉｍｐａｃｔｃｒａｔｅｒｓ[Ｃ]//７ｔｈＩＥＥＥＷｏｒｋｓｈｏｐｓｏｎＡｐｐｌｉｃａ￣
ｔｉｏｎｓｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ(ＷＡＣＶ/ＭＯＴＩＯＮ'０５)ꎬＩＥＥＥꎬ
２００５ꎬ１:１７８￣１８４.
[３６]㊀ＰｏｗｅｒｓＤＭ.Ｅｖａｌｕａｔｉｏｎ:ＦｒｏｍｐｒｅｃｉｓｉｏｎꎬｒｅｃａｌｌａｎｄＦ￣ｍｅａｓ￣ｕｒｅｔｏＲＯＣꎬｉｎｆｏｒｍｅｄｎｅｓｓꎬｍａｒｋｅｄｎｅｓｓａｎｄｃｏｒｒｅｌａｔｉｏｎ[Ｊ].
ＪｏｕｒｎａｌｏｆＭａｃｈｉｎｅＬｅａｒｎｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓꎬ２０１１ꎬ２(１):３７￣
６４.
[３７]㊀ＣｈｉｎｃｈｏｒＮ.ＴｈｅｓｔａｔｉｓｔｉｃａｌｓｉｇｎｉｆｉｃａｎｃｅｏｆｔｈｅＭＵＣ￣４ｒｅｓｕｌｔｓ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ４ｔｈＣｏｎｆｅｒｅｎｃｅｏｎＭｅｓｓａｇｅＵｎｄｅｒ￣
ｓｔａｎｄｉｎｇꎬ１９９２:３０￣５０.
[３８]㊀ＬｅｅＣ.ＡｕｔｏｍａｔｅｄｃｒａｔｅｒｄｅｔｅｃｔｉｏｎｏｎＭａｒｓｕｓｉｎｇｄｅｅｐｌｅａｒｎ￣ｉｎｇ[Ｊ].ＰｌａｎｅｔａｒｙａｎｄＳｐａｃｅＳｃｉｅｎｃｅꎬ２０１９ꎬ１７０:１６￣２８. [３９]㊀ＣｏｈｅｎＪＰ.ＡｕｔｏｍａｔｅｄＣｒａｔｅｒＤｅｔｅｃｔｉｏｎＵｓｉｎｇＭａｃｈｉｎｅＬｅａｒｎ￣ｉｎｇ[Ｄ].Ｍａｓｓａｃｈｕｓｅｔｔｓ:ＵｎｉｖｅｒｓｉｔｙｏｆＭａｓｓａｃｈｕｓｅｔｔｓＢｏｓｔｏｎꎬ
２０１６.
[４０]㊀ＳｉｍｏｎｙａｎＫꎬＺｉｓｓｅｒｍａｎＡ.Ｖｅｒｙｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓｆｏｒｌａｒｇｅ￣ｓｃａｌｅｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆ３ｒｄＩｎ￣
ｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＬｅａｒｎｉｎｇＲｅｐｒｅｓｅｎｔａｔｉｏｎｓꎬ２０１５. [４１]㊀ＳｚｅｇｅｄｙＣꎬＬｉｕＷꎬＪｉａＹＱꎬｅｔａｌ.Ｇｏｉｎｇｄｅｅｐｅｒｗｉｔｈｃｏｎｖｏｌｕ￣ｔｉｏｎｓ[Ｃ]//２０１５ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄ
ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎꎬＢｏｓｔｏｎꎬＵＳＡꎬ２０１５.
[４２]㊀ＨｅＫꎬＺｈａｎｇＸꎬＲｅｎＳꎬｅｔａｌ.Ｄｅｅｐｒｅｓｉｄｕａｌｌｅａｒｎｉｎｇｆｏｒｉｍ￣ａｇｅｒｅｃｏｇｎｉｔｉｏｎ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆ２９ｔｈＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎ
ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎꎬＰｉｓｃａｔａｗａｙꎬ
ＩＥＥＥꎬ２０１５:７７０￣７７８.
[４３]㊀ＢａｎｄｅｉｒａＬꎬＳａｒａｉｖａＪꎬＰｉｎａＰ.ＩｍｐａｃｔｃｒａｔｅｒｒｅｃｏｇｎｉｔｉｏｎｏｎＭａｒｓｂａｓｅｄｏｎａｐｒｏｂａｂｉｌｉｔｙｖｏｌｕｍｅｃｒｅａｔｅｄｂｙｔｅｍｐｌａｔｅｍａｔｃ￣
ｈｉｎｇ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓ￣
ｉｎｇꎬ２００７ꎬ４５(１２):４００８￣４０１５.
[４４]㊀ＷａｎｇＨꎬＪｉａｎｇＪꎬＺｈａｎｇＧ.ＣｒａｔｅｒＩＤＮｅｔ:Ａｎｅｎｄ￣ｔｏ￣ｅｎｄｆｕｌｌｙｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｃｒａｔｅｒｄｅｔｅｃｔｉｏｎａｎｄｉｄｅｎｔｉｆｉ￣
ｃａｔｉｏｎｉｎｒｅｍｏｔｅｌｙｓｅｎｓｅｄｐｌａｎｅｔａｒｙｉｍａｇｅｓ[Ｊ].ＲｅｍｏｔｅＳｅｎｓ￣
ｉｎｇꎬ２０１８ꎬ１０(７):１０６７.
[４５]㊀ＲａｄｆｏｒｄＡꎬＭｅｔｚＬꎬＣｈｉｎｔａｌａＳ.Ｕｎｓｕｐｅｒｖｉｓｅｄｒｅｐｒｅｓｅｎｔａｔｉｏｎｌｅａｒｎｉｎｇｗｉｔｈｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｇｅｎｅｒａｔｉｖｅａｄｖｅｒｓａｒｉａｌｎｅｔ￣
ｗｏｒｋｓ.[Ｃ]//ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＬｅａｒｎｉｎｇＲｅｐｒｅｓｅｎ￣
ｔａｔｉｏｎｓ(ＩＣＬＲ)ꎬ２０１６.
[４６]㊀ＮｏｒｍａｎＣＪꎬＰａｘｍａｎＪＰꎬＢｅｎｅｄｉｘＧＫꎬｅｔａｌ.ＡｕｔｏｍａｔｅｄｄｅｔｅｃｔｉｏｎｏｆｃｒａｔｅｒｓｉｎＭａｒｔｉａｎｓａｔｅｌｌｉｔｅｉｍａｇｅｒｙｕｓｉｎｇｃｏｎｖｏｌｕ￣
ｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ[ＥＢ/ＯＬ].[２０１８].ｈｔｔｐｓ://ｗｕｆｓ.
ｗｕｓｔｌ.ｅｄｕ/ｐｓｉｄａ/２０１８/ａｂｓｐｒｅｓ/ｐｄｆ/６００４.ｐｄｆ.
[４７]㊀ＡｎｉｌＲꎬＧｕｐｔａＶꎬＫｏｒｅｎＴꎬｅｔａｌ.Ｓｅｃｏｎｄｏｒｄｅｒｏｐｔｉｍｉｚａｔｉｏｎｍａｄｅｐｒａｃｔｉｃａｌ[ＥＢ/ＯＬ].(２０２０￣０２).ｈｔｔｐｓ://ａｒｘｉｖ.ｏｒｇ/ｐｄｆ/
２００２ ０９０１８.ｐｄｆ.
(责任编辑:冯雪梅)
３６６
第５期㊀㊀㊀㊀胡㊀涛ꎬ等.行星陨石坑检测算法研究综述。