摘要
火星探测可以使人类走出地球，开发和利用火星资源服务于人类。岩石取样和数据返回是火星探测中的重要任务。通过自动分割和分类识别火星表面岩石，有选择的对岩石进行钻探取样，能高效的勘察火星地质概况。本文结合火星岩石取样的任务背景，系统的研究了面向火星探测的岩石实例分割与分类识别问题。论文主要的研究内容包括如下部分: (1)研究了岩石图像分割技术。针对漫游车导航相机在捕捉目标物体时出现运动模糊和散焦模糊，并且简单的卷积神经网络(ConvolutionalNeuralNetwork,CNN)算法不能更好的区分前景和背景。本文提出火星漫游者实例分割网络(MRISNet)。首先，采用生成对抗网络DeblurGAN解决火星图像中出现的运动模糊和散焦模糊。其次，利用注意力机制和特征金字塔结构对残差网络进行改进，使提取的特征图具有丰富的语义信息。最后，使用简单线性迭代聚类(SimpleLinearIterativeClustering,SLIC)将特征图中的相似像素分组，用少量超像素替换大量像素，使分割更加精细。实验结果表明，所提出的MRISNet算法在火星岩石图像上的平均精度达到76.8％,分割效果更好。 (2)研究了轻量的岩石图像分类技术。鉴于器载计算机数据处理能力和内存资源容量限制。本文提出基于迭代剪枝VGGNet(IterativePruningVisualGeometryGroupNetwork,IPVGGNet)的火星图像分类方法。首先，采用迁移学习训练网络的连通性，以便评估神经元的重要性;其次，通过迭代剪枝方法修剪不重要的神经元，以便将全连接层的参数量和内存占用量减少;最后，利用霍夫曼编码压缩迭代剪枝与量化后的VGGNet权重参数,达到减少存储量和浮点数运算量的作用。实验结果表明，压缩后的VGGNet模型的所占内存、Flops和准确率与轻量级图像分类算法相比，所提模型具有更好的性能。
NETL