15:30 〜 17:00
[PPS06-P14] Deeplabv3+を用いた『かぐや』マルチバンド画像の領域分割による自動地形地質図判読の試み
キーワード：月、機械学習、セグメンテーション
従来、月面の地形地質図作成は多大な時間と労力がかかる手作業で行われてきた。これを機械学習による自動領域分割で代替することを試みた。本研究の目的は、この機械学習によって作成された地形地質図をベクターデータ化して Web-GISで使える道を開くことである。
本研究では機械学習モデルに、セマンティックセグメンテーションにおいて最も高性能なモデルの１つであるDeepLabv3+ [1]を採用した。データセットについては、南極近くのシュレーディンガークレーターを対象とした。学習データは、かぐやマルチバンド画像マップ（SELENE MOON MI 5 MAP V3.0、解像度:14.8 m/pixel） [2]と、それをベースに、Kramer+ (2013)の地質図[3]に基づいて作成したラベルデータである。このラべルデータは、上記地質図とMI画像とを比較対応させて、手動で作成した。学習データとして用意した画像とラベルは381組で、そのうち訓練データは267組、テストデータは114組である。
月南北域で上記学習された領域分割を行なった。目視で確認した限りでは、人間の判読と大して変わらない領域分割ができている。本ポスター発表では、これらの試行結果を報告する。
References:
[1] Chen et al. (2018) arXiv:1802.02611 ”Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation”
[2] KAGUYA(SELENE) Data Archive https://darts.isas.jaxa.jp/planet/pdap/selene/index.html.ja
[3] Kramer et al. (2013) j.icarus.2012.11.008 “Spectral and photogeologic mapping of Schrödinger Basin and implications for post-South Pole-Aitken impact deep subsurface stratigraphy”
本研究では機械学習モデルに、セマンティックセグメンテーションにおいて最も高性能なモデルの１つであるDeepLabv3+ [1]を採用した。データセットについては、南極近くのシュレーディンガークレーターを対象とした。学習データは、かぐやマルチバンド画像マップ（SELENE MOON MI 5 MAP V3.0、解像度:14.8 m/pixel） [2]と、それをベースに、Kramer+ (2013)の地質図[3]に基づいて作成したラベルデータである。このラべルデータは、上記地質図とMI画像とを比較対応させて、手動で作成した。学習データとして用意した画像とラベルは381組で、そのうち訓練データは267組、テストデータは114組である。
月南北域で上記学習された領域分割を行なった。目視で確認した限りでは、人間の判読と大して変わらない領域分割ができている。本ポスター発表では、これらの試行結果を報告する。
References:
[1] Chen et al. (2018) arXiv:1802.02611 ”Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation”
[2] KAGUYA(SELENE) Data Archive https://darts.isas.jaxa.jp/planet/pdap/selene/index.html.ja
[3] Kramer et al. (2013) j.icarus.2012.11.008 “Spectral and photogeologic mapping of Schrödinger Basin and implications for post-South Pole-Aitken impact deep subsurface stratigraphy”