胡茄乾，何超群，龔翼飛，溫中凱，于利夫，李 爽

（1.南京航空航天大學(xué) 航天學(xué)院，江蘇 南京 211106；2.中國空間技術(shù)研究院，北京 100094）

0 引言

隨著深空探測任務(wù)的發(fā)展，對火星等深空天體的地表探測任務(wù)受到了越來越多研究者的關(guān)注。其中如何利用巡視器有限的壽命探索更多有科學(xué)價值的區(qū)域，獲得更高科學(xué)回報，甚至能夠獨立進行科學(xué)勘探是研究的重點方向?；鹦潜砻娴沫h(huán)境自主分析，比如自主提取科學(xué)興趣區(qū)域、檢測行進障礙等是實現(xiàn)巡視器自主探測的基礎(chǔ)?；鹦潜砻姝h(huán)境惡劣，許多區(qū)域雖然沒有障礙，但是由于地質(zhì)過軟會導(dǎo)致巡視器下陷、有可滑動的石塊會導(dǎo)致巡視器打滑等問題依然不適合通行，而這些區(qū)域無法用激光雷達等主動傳感器分辨，只能依靠相機。但是火星表面的圖像顏色單一且缺少紋理，傳統(tǒng)的基于紋理和灰度梯度的圖像處理方法無法適應(yīng)這一環(huán)境。針對這一難題，本文利用全卷積神經(jīng)網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN），借助機器學(xué)習(xí)強大的分類能力，利用較小的樣本，實現(xiàn)火星表面地貌的分割。

于1997 年7 月4 日著陸在火星表面的索杰納號（Sojourner）是第一個承擔(dān)科學(xué)勘探任務(wù)的火星巡視器［1］，出于可靠性因素，它的運作由地面工作人員全權(quán)掌控，因此任務(wù)執(zhí)行效率很低。美國國家航空航天局（NASA）、噴氣推進實驗室（JPL）等科學(xué)機構(gòu)，分別建立了巡視器命令語言［2］（Contingent Rover Language，CRL）系統(tǒng)、火星在線自主科學(xué)考察系統(tǒng)［3］（Onboard Autonomous Science Investigation System，OASIS）等，旨在進一步提高“勇氣號”與后續(xù)火星巡視器的自主性能。OASIS 通過利用Sober與Canny 算子［4］來檢測導(dǎo)航相機所采集圖像中的閉合輪廓，發(fā)展了巖石的快速識別技術(shù)；利用序列圖像差分算法實時監(jiān)測塵暴；利用邊緣檢測算法分割圖像中天空與地面，并認為天空中局部梯度變化較大處為云層，發(fā)展了云層識別算法［5-7］。在執(zhí)行火星“勇氣號”任務(wù)后，科學(xué)家們一直認為應(yīng)逐步增加自主分析與智能決策在遠地天體探測任務(wù)中的分量，URBACH 等［8］圍繞軌道器遙測數(shù)據(jù)，發(fā)展了火星表面隕石坑自主標定技術(shù)。隨后，PINA 等［9］也利用相同數(shù)據(jù)源發(fā)展了火表沙丘地的檢測與標定技術(shù)。PALAFOX 等［10］將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用至火表科學(xué)地貌勘探任務(wù)中，并驗證了卷積神經(jīng)網(wǎng)絡(luò)（CNN）網(wǎng)絡(luò)在檢測不規(guī)則火山、波紋風(fēng)脊這兩類典型特征的優(yōu)勢［11］。ROTHROCK 等［12］于2016 年發(fā)布了火星土壤性質(zhì)與對象分類（Soil Property and Object Classification，SPOC）框架，其核心是面向火星巡視器自主勘探任務(wù)，利用深度學(xué)習(xí)對復(fù)雜地形、地貌進行細致分類，SPOC 共建立了17 類火星地貌，并在AlexNet 基礎(chǔ)上使用遷移學(xué)習(xí)（Transfer Learning）技術(shù)訓(xùn)練了地形分類網(wǎng)絡(luò)，相關(guān)技術(shù)也將在火星“毅力號”得到驗證，但其在部分地貌下準確率較低，不能滿足全局分割要求。

火星地表場景復(fù)雜，包括其衛(wèi)星在內(nèi)，有大量不同于地球地表的地形［13］，傳統(tǒng)的基于灰度值不連續(xù)性和相似性的方法，例如語義紋理森林（Semantic Texton Forests，STF）［14］、馬爾科夫隨機場（Markov Random Fields，MRF）分割［15］等，不能滿足火星場景應(yīng)用的實時性、魯棒性等需求，圖像語義分割也向深度學(xué)習(xí)方向發(fā)展。CNN 一被提出，就憑借其強大的非線性泛化回歸能力，成為深度學(xué)習(xí)圖像處理的有力工具，然而受限于其全連接層的一維性，只能將一幅圖片作為一個整體，對其分類進行預(yù)測。LONG［16］創(chuàng)造性地將CNN 結(jié)構(gòu)末端的全連接層替換為卷積層，提出了FCN，使得其能夠?qū)Σ煌直媛蕡D片上的每一個像素進行預(yù)測，得到其歸屬類型的概率分布，相對于像素區(qū)塊的分割方法，準確性和快速性都得到了明顯提高，奠定了后續(xù)深度學(xué)習(xí)語義分割的基礎(chǔ)。卷積操作不可避免地縮小了輸入圖像的分辨率，導(dǎo)致即使將全連接層替換為卷積層，最后得到的像素概率分布的分辨率也是小于原圖像，對于這個問題，F(xiàn)CN 引入反卷積（Transpose Convolution）對輸出的概率分布進行處理，最終雖然得到了與原圖像分辨率相同的結(jié)果，但是忽略了像素與像素之間的關(guān)系，一定程度上減少了圖像信息。RONNEBERGER 等［17］提 出UNet，使用一個收縮通道（Contracting Path）來捕獲像素之間上下文特征關(guān)系，再通過擴張通道（Expanding Path）來執(zhí)行分辨率恢復(fù)操作，這兩個通道在結(jié)構(gòu)上呈U 形對稱關(guān)系，采用Contact 方法進行特征融合，改進了FCN 會忽略特征信息的不足，但是增大了計算量，且對輸入圖像的分辨率有嚴格要求。BADRINARAYANAN 等［18］在FCN 的基礎(chǔ)上提出使用編碼器-解碼器（Encoder-Decoder）結(jié)構(gòu)的Seg-Net，分別取代了下采樣/收縮通道和上采樣/擴張通道，解碼器網(wǎng)絡(luò)采用最大池化層索引（Max-pooling Index）進行特征恢復(fù)，進一步減少了特征信息丟失，并提高了運算效率。CHEN 等［19］將空間金字塔池化（Spatial Pyramid Pooling）與編碼器-解碼器融合，提出了DeepLabV1，在下采樣階段提出空洞卷積（Atrous Convolutions），保持參數(shù)數(shù)量不變的情況下擴大了卷積核的感受野，避免了下采樣過程過多的池化操作帶來的分辨率縮小與信息丟失?？斩纯臻g金字塔池化（Atrous Spatial Pyramidal Pooling，ASPP）通過不同空洞比率的卷積，提取了多尺度的特征信息，節(jié)省了時間與計算成本。該團隊后續(xù)對DeepLabV1 網(wǎng)絡(luò)不斷改進，又提出了Deep-LabV2［20］、DeepLabV3［21］、DeepLabV3+［22］若干個改良版本，其中，DeepLabV3+網(wǎng)絡(luò)使用了深度可分離卷積（Depthwise Separable Convolution），在不丟失分割性能的前提下，減少了參數(shù)量，降低了運算量，成為基礎(chǔ)應(yīng)用中運用最廣泛的語義分割網(wǎng)絡(luò)。SEDIQI［23］提出基于引導(dǎo)濾波器的密集卷積上采樣方法，有效地保留了二維空間特征信息，實現(xiàn)了精確的對象邊界分割，在ADE20K 和Pascal-Context基準數(shù)據(jù)集上分別達到了82.86%和81.62%的像素準確率，在Cityscapes 數(shù)據(jù)集上MIou 達到了83.3%。袁偉等［24］將色差信息輸入到神經(jīng)網(wǎng)絡(luò)中，通過空間變換將其作為PSPNet 的輸入，使分割結(jié)果在準確度上得到一定提高。

綜上所述，深度學(xué)習(xí)方法在圖像分割方面相比于傳統(tǒng)方法具有較大的優(yōu)勢，而且目前已經(jīng)擁有豐富的火星表面圖像數(shù)據(jù)，用于驅(qū)動深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，但是缺少公開的已標注數(shù)據(jù)，且全局分割能力不足。面對上述的火星圖像自主分割難題，本文提出了基于FCN 的火星表面地貌分割方法，利用好奇號拍攝的大量火星表面圖像構(gòu)造可訓(xùn)練的數(shù)據(jù)集，并針對火星場景灰度值單一特點，采用自適應(yīng)伽馬變換（Adaptive Gamma Transformation，AGT）方法進行圖像預(yù)處理，通過全卷積網(wǎng)絡(luò)實現(xiàn)了火星表面高準確度的地貌分割，旨在火星表面巡視任務(wù)中巡視器能夠自主實現(xiàn)對火星地貌的感知并進行可通過性的評價。

1 FCN 火星圖像分割方法

1.1 DeepLabV3+神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)介紹

經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)在卷積層的末端會加入若干個全連接層，用來將卷積操作得到的特征圖歸一化，將三維的特征信息映射到一維向量，得到整個圖像分類的概率分布。與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)不同，F(xiàn)CN 將經(jīng)典卷積網(wǎng)絡(luò)的全連接層，替換為1×1 的卷積處理，對之前卷積操作獲得的特征圖再次進行卷積計算，從而得到像素級分類概率。

由原始高分辨率圖像獲得低分辨率的像素分類概率圖，這一過程被稱為下采樣（Downsample）。每一層卷積操作的計算公式如下：

式中：i、j為像素坐標；k為卷積核的尺寸；s為卷積步長；fks為卷積層的類型，包括矩陣相乘卷積、平均/最大池化、激活層等。

之后，再通過上采樣（Upsample）計算，將像素概率圖擴充為原圖分辨率大小，即可得到原始每個像素所屬類型的概率分布預(yù)測結(jié)果。

本文所使用的DeepLabV3+是2018 年推出的全卷積類型深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它沿用了編碼-解碼（Encoder-Decoder）結(jié)構(gòu)，如圖1 所示。在編碼階段，首先使用若干層深度卷積網(wǎng)絡(luò)（DCNN）對輸入圖像進行特征提取，得到深層信息特征圖；接著對特征圖進行1×1 卷積（Conv）、膨脹率（rate）分別為6、12、18 的空洞卷積和池化（Pooling）操作，將多個不同尺度的結(jié)果合并為多層特征圖；最后再使用1×1 卷積進行特征壓縮。在解碼階段，首先從編碼器的初始卷積中獲得低層特征信息，卷積處理后與4階上采樣計算過的高層特征圖合并，然后通過卷積和上采樣化，得到原始分辨率的預(yù)測圖。Deep-LabV3+通過膨脹率可調(diào)的空洞卷積，擴大了感受野，可以任意控制編碼器獲得的特征的分辨率，獲取不同尺度的上下文信息。

1.2 訓(xùn)練基準

在自建數(shù)據(jù)集數(shù)據(jù)量少，難以使FCN 得到充足訓(xùn)練的情況下，本文使用預(yù)訓(xùn)練模型來加速訓(xùn)練過程。預(yù)訓(xùn)練模型是其他科研人員使用相同的網(wǎng)絡(luò)結(jié)構(gòu)，在大量相同的任務(wù)、相似的數(shù)據(jù)集下訓(xùn)練得到的網(wǎng)絡(luò)參數(shù)模型。本文提出的火星地貌分割FCN，骨干（backbone）網(wǎng)絡(luò)采用可以快速、有效地提取圖像特征的ResNet50 網(wǎng)絡(luò)［25］。ResNet50 是常用的圖像特征提取網(wǎng)絡(luò)，其通過引入殘差結(jié)構(gòu)，減小了深層神經(jīng)網(wǎng)絡(luò)降低收斂速度和準確率的影響。ImageNet 則是分類任務(wù)中被廣泛用于訓(xùn)練、驗證、測試的數(shù)據(jù)集。ImageNet 包含1 400 萬張圖片，共1 000 個類別，需要在龐大的計算能力下才能進行完整的訓(xùn)練。目前，經(jīng)過訓(xùn)練的ResNet50 網(wǎng)絡(luò)模型已經(jīng)開源供研究人員使用，將其預(yù)訓(xùn)練模型應(yīng)用到本文的仿真中，可以大大加快訓(xùn)練速度，提高訓(xùn)練準確率，減小數(shù)據(jù)匱乏帶來的弊端?；€網(wǎng)絡(luò)（baseline）則使用1.1 節(jié)介紹的DeepLabV3+網(wǎng)絡(luò)。

卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化采用梯度下降優(yōu)化算法，是神經(jīng)網(wǎng)絡(luò)反向傳播的核心。梯度下降算法中，學(xué)習(xí)率決定了每次優(yōu)化的學(xué)習(xí)步長，也決定了神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化效率。學(xué)習(xí)率如果設(shè)置得過高，會導(dǎo)致函數(shù)在最優(yōu)值附近震蕩，增加找到全局最優(yōu)的時間甚至不收斂，如果設(shè)置得太小，會導(dǎo)致函數(shù)收斂速度變慢，訓(xùn)練時間加長，甚至無法進行學(xué)習(xí)?？紤]到本文使用預(yù)訓(xùn)練模型進行訓(xùn)練，學(xué)習(xí)率不宜設(shè)置過大，根據(jù)訓(xùn)練經(jīng)驗，將學(xué)習(xí)率設(shè)置為0.000 1。由于小數(shù)據(jù)集在訓(xùn)練過程中極易出現(xiàn)過擬合現(xiàn)象，對損失函數(shù)采用L2 正則化處理，λ參數(shù)設(shè)置為0.001。

2 AGT 圖像處理

火星表面常年受到風(fēng)吹影響，其地形地貌以沙地和碎巖類型為主要構(gòu)成，這決定了火星地形數(shù)據(jù)集圖像多數(shù)為灰色，像素灰度變化范圍小，圖像整體過暗，對比度低。且火星大氣層稀薄，自轉(zhuǎn)速度快，導(dǎo)致其地表光照變化較快，加上常見的沙塵暴對相機視覺的干擾，不確定性因素相比地球遙感圖像更多。因此使用原始圖像作為直接輸入，會給圖像分割的實現(xiàn)帶來困難［26］。為了解決上述問題，提出基于AGT 的火星地表圖像預(yù)處理方法，降低灰度單一情況下火星圖像的干擾因素影響，繼而提高卷積神經(jīng)網(wǎng)絡(luò)對特征的提取能力，使深度神經(jīng)網(wǎng)絡(luò)更好地分辨地形邊界等重要特征。

經(jīng)典伽馬變換（Gamma Transformation，GT）的基本形式如下：

式中：o為輸出的灰度等級；r為輸入的灰度等級；c為GT 的補償系數(shù)；γ為伽馬參數(shù)。

GT 需要人工手動設(shè)定變換參數(shù)，如圖2 所示，不同的參數(shù)范圍得到的增強效果也不同，導(dǎo)致對同一圖像集批處理，會出現(xiàn)部分過飽和或欠飽和現(xiàn)象，降低了預(yù)期效果。

圖2 伽馬變換圖像處理結(jié)果Fig.2 Results after GT

在文獻［26］的基礎(chǔ)上，改進現(xiàn)有的AGT 方法，依據(jù)不同圖像的整體亮度平均值和標準偏差，計算確定每張圖像的最佳伽馬參數(shù)。根據(jù)火星圖像整體處于低對比度的情況考慮，統(tǒng)一使用下式計算伽馬參數(shù)：

式中：μ為圖像整體亮度均值；σ為圖像整體亮度標準偏差。

μ和σ通過原始RGB 格式圖像轉(zhuǎn)換為HSV 格式圖像，再處理V 通道亮度信息得來，由此可以根據(jù)不同圖像的對比度情況，自適應(yīng)獲得伽馬參數(shù)，進行合適的伽馬校正，如圖3 所示。人工設(shè)置的伽馬參數(shù)出現(xiàn)了欠飽和現(xiàn)象，而自適應(yīng)伽馬校正后的像素分布更加均勻，數(shù)據(jù)能夠更好地適應(yīng)深度學(xué)習(xí)處理任務(wù)。

圖3 不同圖像像素分布直方圖Fig.3 Distribution histograms of image pixels

3 仿真與結(jié)果分析

3.1 火星地形地貌數(shù)據(jù)集制作

目前地形地貌分割工作的主要領(lǐng)域為對地遙感觀測，用于識別并分割遙感衛(wèi)星拍攝的地球表面不同的地貌，類型包括農(nóng)田、河流、城市、山脈等。火星表面目前尚未發(fā)現(xiàn)河流、植被、有機生命生存環(huán)境等，只存在基礎(chǔ)的土壤與巖石，但由于火星沙塵風(fēng)暴天氣的影響，地形地貌仍然復(fù)雜多樣且難以區(qū)分。

本文的數(shù)據(jù)集以Mars32K 數(shù)據(jù)集為基礎(chǔ)，Mars32K 數(shù)據(jù)集是NASA 發(fā)布的包含好奇號火星車在6 年時間里探索火星的蓋爾撞擊坑的過程中拍攝的3 萬多張圖像。根據(jù)基礎(chǔ)地形分割經(jīng)驗，結(jié)合實際火星探測目標研究價值［12］，本文將火星地貌分類為沙地、基巖、露出的粗糙的石頭、露出的光滑的石頭、履帶痕、斷層巖和碎石共7 種，其分類依據(jù)見表1。

表1 火星地貌類別和地貌定義Tab.1 Types and definitions of Mars terrain

從Mars32K 圖像庫中，挑選地貌特征豐富、不同地貌邊界明顯易于觀察的447 張圖片統(tǒng)一處理為256×256，使用Labelme 工具進行人工標注。在標注完成后，Labelme 生成了各幅圖像一一對應(yīng)的json數(shù)據(jù)，存儲了標注目標的像素信息，再將其轉(zhuǎn)換成圖片格式，完成了數(shù)據(jù)集建立的初步工作，如圖4 所示。

圖4 火星地貌數(shù)據(jù)集建立Fig.4 Schematic diagram of the Mars terrain dataset

3.2 訓(xùn)練與測試結(jié)果

本試驗以人工標注的火星地形地貌數(shù)據(jù)集為基礎(chǔ)，經(jīng)GT 處理后，輸入FCN 進行訓(xùn)練、測試，仿真軟件平臺為Windows 10 專業(yè)版，仿真程序使用Python代碼編寫，硬件方面CPU 為I5-8400，主頻2.8 GHz，顯卡為NVIDIA 1050ti。訓(xùn)練參數(shù)方面，batch size為16，學(xué)習(xí)率為0.000 1，weight decay 為0.001。

以447 張圖片輸入到FCN 中訓(xùn)練一次為1 代（epoch），共訓(xùn)練100 個epochs，batch size 設(shè)置為16，訓(xùn)練和驗證損失函數(shù)變化如圖5 和圖6 所示。

圖5 訓(xùn)練損失函數(shù)值Fig.5 Training loss function values

圖6 驗證損失函數(shù)值Fig.6 Validating loss function values

由圖5 和圖6 可以看出，在訓(xùn)練過程中，訓(xùn)練損失函數(shù)值和驗證損失函數(shù)值都處于整體穩(wěn)定下降的狀態(tài)，在訓(xùn)練進行到后期時，訓(xùn)練損失函數(shù)值仍具有繼續(xù)下降的趨勢，而驗證損失函數(shù)值已經(jīng)趨于平穩(wěn)，且沒有上升的趨勢，證明了網(wǎng)絡(luò)模型尚未出現(xiàn)嚴重的過擬合現(xiàn)象，保證了模型的擬合泛化能力。

以準確率（ACC）和平均交并比（MIou）作為評價指標，對比 SPOC、ResNet+FCN、GT+ResNet+FCN 方 法、GT+ResNet+DeepLabV3+方法和AGT+ResNet+DeepLabV3+方法，測試結(jié)果見表2。

表2 火星地貌分類測試結(jié)果Tab.2 Results of Mars terrain segmentation tests

由表2 可以看出，相對于網(wǎng)絡(luò)模型較為陳舊的SPOC 方法，使用ResNet 作為骨干網(wǎng)絡(luò)使得地形分割測試準確率提升了約10%，這是由特征提取性能更加強勁的主干網(wǎng)絡(luò)帶來的，而結(jié)合了GT 的ResNet+FCN 方法，雖然在準確率上僅提升了1.34%，但是GT 降低了干擾因素的影響，使各個分類之間區(qū)別更加明顯，像素特征更容易互相區(qū)分，從而在平均交并比上提升了6.48%。將基線網(wǎng)絡(luò)替換為DeepLabV3+結(jié)構(gòu)，雖然在準確率上有微弱提升，但是其強勁的性能在分辨率較小、分類較少且在具有不均衡性的火星地貌數(shù)據(jù)集上未能得到完全發(fā)揮，平均交并比反而有所下降。可見，對于不同規(guī)模、類型的數(shù)據(jù)集，更先進的網(wǎng)絡(luò)不一定能發(fā)揮更好的效果，這與數(shù)據(jù)和模型的適應(yīng)性是息息相關(guān)的，而使用AGT 進行圖像處理，兩項指標相對于GT 均有所提升，驗證了本文所提方法對火星圖像深度學(xué)習(xí)效率提升的有效性。將預(yù)測結(jié)果可視化，其中一些地形分割結(jié)果如圖7 所示。

圖7 測試結(jié)果Fig.7 Graphical test results

從圖7 可以看出，對于訓(xùn)練數(shù)據(jù)集中數(shù)據(jù)較豐富的沙地、基巖，網(wǎng)絡(luò)的預(yù)測結(jié)果較為準確，能明顯分割出這類地形與其他地形的邊界，而對于斷層巖、露出的巖石種類等數(shù)據(jù)類型較少的地形地貌，訓(xùn)練效果較差，導(dǎo)致在一些模糊地形中預(yù)測結(jié)果比較混亂。一方面這是實際火星環(huán)境下，沙塵風(fēng)暴導(dǎo)致地形邊界不明顯，特征匱乏造成的；另一方面，標注數(shù)據(jù)集質(zhì)量參差不齊，測試結(jié)果反而檢測到了不同地形的模糊邊界，導(dǎo)致其存在部分與人工標注真實基準（Ground Truth）不同。試驗證明，本文提出的結(jié)合AGT 和FCN 的火星地貌分割方法，可以對火星地表圖像進行適當(dāng)處理，便于像素值鄰近的各種地形的分割，提高了深度網(wǎng)絡(luò)的準確性，卷積網(wǎng)絡(luò)經(jīng)過離線訓(xùn)練后，能夠自主地對火星地貌圖像進行特征提取與語義分割，實現(xiàn)多種類地貌的識別、分割，為火星車的無人行駛和自主勘測提供了技術(shù)支撐。

3.3 交叉驗證試驗

為了檢驗?zāi)Ｐ偷倪^擬合程度，分析數(shù)據(jù)集質(zhì)量和數(shù)據(jù)集劃分對訓(xùn)練、測試結(jié)果的影響，進行10 折交叉驗證試驗。將數(shù)據(jù)集均分為10 份，其中每份約包含45 對數(shù)據(jù)，依次取其中1 份作為測試集，另外9 份作為訓(xùn)練集，進行10 次交叉驗證試驗，得到結(jié)果見表3。

表3 10 折交叉驗證結(jié)果Tab.3 Results of 10-fold cross validation

由表3 可以看出，在10 折交叉驗證試驗中，測試準確率最低達到79.48%，最高達到87.50%，相差不超過10%，平均準確率為82.20%。交叉驗證試驗說明模型總體過擬合程度較低，具備可靠的信服力與一定的泛化能力，能有效地對火星地表圖像進行語義分割。但是，在數(shù)據(jù)集的標注質(zhì)量方面有一定不足，導(dǎo)致不同的數(shù)據(jù)集劃分方式在一定程度上影響了模型訓(xùn)練的質(zhì)量，且對不同批次完整訓(xùn)練結(jié)果的過擬合程度產(chǎn)生影響。

4 結(jié)束語

本文提出了一種基于FCN 的火星圖像分割方法，用于火星巡視器自主分割、分類火星典型地形地貌。在人工標注自建火星地表圖像數(shù)據(jù)集中，使用AGT 進行圖像預(yù)處理，然后訓(xùn)練FCN，獲得了較高的準確率。使用訓(xùn)練后的網(wǎng)絡(luò)對測試圖像進行預(yù)測，得到了較為準確的圖像分割結(jié)果。結(jié)果表明：基于深度學(xué)習(xí)的地貌智能分割技術(shù)可以高效地實現(xiàn)對火星地貌的精確分割，有助于減少人工工作，提高火星巡視器的自主性，為火星巡視器地貌可通過性評估提供了依據(jù)。在后續(xù)的工作中，提升數(shù)據(jù)集質(zhì)量的工作還需要繼續(xù)進行，包括數(shù)據(jù)的擴充和各類別數(shù)據(jù)量的平衡等。同時還需要關(guān)注對火星表面高價值目標的主動識別、火星巡視日志撰寫等提高巡視器自主性的工作，以提高火星巡視任務(wù)的科學(xué)產(chǎn)出。