MarsSeg: Mars Surface Semantic Segmentation with Multi-level Extractor and Connector

在火星探索中，火星表面的分割和解释在轨迹规划和漫游车避障中起着关键作用，为此必须提供必要的数据。然而，复杂的地形、相似的表面特征以及缺乏广泛的注释数据给火星表面的高精度语义分割带来了重大挑战。为了解决这些问题，我们提出了一种新颖的基于编码器-解码器的火星分割网络，称为MarsSeg。具体来说，我们采用了一个编码器-解码器结构，最小化了下采样层数，以保留局部细节。为了促进跨阴影多级特征映射的高级语义理解，我们在编码器和解码器之间引入了一个特征增强连接层。该层结合了Mini Atrous空间金字塔池化（Mini-ASPP）、极化自注意力（PSA）和条形金字塔池化模块（SPPM）。Mini-ASPP和PSA专门为阴影特征增强而设计，从而实现局部细节和小物体的表达。相反，SPPM用于深度特征增强，促进高级语义类别相关信息的提取。从Mars-Seg和AI4Mars数据集得出的实验结果证实，所提出的MarsSeg在分割性能方面优于其他最先进的方法，验证了每个提出的组件的有效性。

本论文旨在解决火星表面的语义分割问题，提出了一种新的编码器-解码器结构的神经网络模型MarsSeg，并通过实验验证其有效性。

MarsSeg模型采用了编码器-解码器结构，并在其中加入了特征增强连接层，该层包含Mini-ASPP、PSA和SPPM三个模块，以提高网络对局部细节和高级语义信息的识别能力。

论文通过实验验证了MarsSeg模型在Mars-Seg和AI4Mars数据集上的表现优于其他现有的语义分割方法。此外，论文还提供了开源代码，方便其他研究者进行进一步的研究。

在相关研究方面，最近还有一些关于火星表面语义分割的研究，如《Deep Learning for Semantic Segmentation of Mars Terrain in HiRISE Images》、《Mars Terrain Segmentation Using Deep Convolutional Neural Networks》等。