[論文レビュー] Deep learning universal crater detection using Segment Anything Model (SAM)

Iraklis Giannakis, Anshuman Bhardwaj+2 more|arXiv (Cornell University)|Apr 16, 2023

Astro and Planetary Science被引用数 14

ひとこと要約

この論文は、Segment Anything Model (SAM) を用いて多様な惑星データに対してクレーターのようなマスクをセグメントし、その後円-楕円フィルタリングと楕円フィッティングを行い、タスク固有の訓練なしでクレーターの位置と大きさを推定する universal crater detection pipeline を提案します。

ABSTRACT

Craters are amongst the most important morphological features in planetary exploration. To that extent, detecting, mapping and counting craters is a mainstream process in planetary science, done primarily manually, which is a very laborious and time-consuming process. Recently, machine learning (ML) and computer vision have been successfully applied for both detecting craters and estimating their size. Existing ML approaches for automated crater detection have been trained in specific types of data e.g. digital elevation model (DEM), images and associated metadata for orbiters such as the Lunar Reconnaissance Orbiter Camera (LROC) etc.. Due to that, each of the resulting ML schemes is applicable and reliable only to the type of data used during the training process. Data from different sources, angles and setups can compromise the reliability of these ML schemes. In this paper we present a universal crater detection scheme that is based on the recently proposed Segment Anything Model (SAM) from META AI. SAM is a prompt-able segmentation system with zero-shot generalization to unfamiliar objects and images without the need for additional training. Using SAM we can successfully identify crater-looking objects in any type of data (e,g, raw satellite images Level-1 and 2 products, DEMs etc.) for different setups (e.g. Lunar, Mars) and different capturing angles. Moreover, using shape indexes, we only keep the segmentation masks of crater-like features. These masks are subsequently fitted with an ellipse, recovering both the location and the size/geometry of the detected craters.

研究の動機と目的

• 天体とデータタイプを問わず機能する普遍的でデータに依存しないクレーター検出手法を動機づける。
• 微調整なしでクレーターのような特徴を検出するために、prompt-able なセグメンテーションを可能にするSAMを活用する。
• 幾何形状でセグメンテーションマスクをフィルタリングし、楕円フィットを行ってクレーターの大きさと位置を回復する。

提案手法

• 任意の入力惑星画像、DEM、またはマルチスペクトルデータ上で SAM を適用してマスクをセグメントする。
• m および n 指標と適合された楕円を用いて、円形度と楕円率でマスクをフィルタリングする。
• 残りのマスクにキャニーエッジを適用し、エッジに円や楕円をフィットさせてクレーターの幾何学的特徴（a, b, center）を推定する。
• 重複と偽陽性を除去するための後処理。

Figure 1: A) Mars Express HRSC natural colour image of Ocrus Patera B) Segmentation of the input image using Segment Anything Model (SAM) [ 21 ] .

実験結果

リサーチクエスチョン

• RQ1 SAM はタスク固有の訓練なしで、多様なデータセットに対してゼロショットの普遍的なクレーターセグメンテーションを提供できるか？
• RQ2 SAM マスクからクレーターのような特徴を分離する上で、円形-楕円形の指標はどれくらい有効か？
• RQ3 異なるデータタイプと天体に渡って楕円フィット後のクレーター中心と大きさの推定精度はどの程度か？

主な発見

• SAM は追加の訓練なしで、さまざまなデータタイプと設定においてクレーターのような物体を識別できる。
• 円形-楕円指標でマスクをフィルタリングし、楕円フィットを行うことでクレーターの中心と軸を得られ、大きさの推定を可能にする。
• ケーススタディは、惑星間の異なるセンサーと分解能にわたって、火星、月、フォボスのデータでクレーター検出が成功したことを示す。
• 限界として、非クレーターの円形特徴からの偽陽性の可能性と、指標の閾値調整に依存する点が挙げられる。

Figure 2: A) The remaining segmentation masks from Fig. 1 after filtering out the non-circular/elliptical classes using geometrical indexes. B) Canny filter is applied to each one of the remaining masks, and the edges are fitted with circles and ellipses.