Ανίχνευση κρατήρων στον πλανήτη Άρη με χρήση τεχνικών βαθιάς μηχανικής μάθησης

Καραδήμα, Παναγιώτα-Καλλιόπη; Karadima, Panagiota-Kalliopi

dc.contributor.author	Καραδήμα, Παναγιώτα-Καλλιόπη	el
dc.contributor.author	Karadima, Panagiota-Kalliopi	en
dc.date.accessioned	2025-01-22T08:23:18Z
dc.date.available	2025-01-22T08:23:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60895
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28591
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Μηχανική Μάθηση	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Ανίχνευση Αντικειμένων	el
dc.subject	Ανίχνευση Κρατήρων	el
dc.subject	Πλανήτης Άρης	el
dc.subject	Machine Learning	en
dc.subject	Convolutional Neural Networks	en
dc.subject	Object Detection	en
dc.subject	Crater Detection	en
dc.subject	Mars	en
dc.title	Ανίχνευση κρατήρων στον πλανήτη Άρη με χρήση τεχνικών βαθιάς μηχανικής μάθησης	el
dc.title	Crater detection on Mars using deep learning techniques	en
heal.type	bachelorThesis
heal.classification	Πλανητική Εξερεύνηση	el
heal.classification	Βαθιά Μηχανική Μάθηση	el
heal.classification	Deep Learning	en
heal.classification	Planetary Exploration	en
heal.language	el
heal.language	en
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-17
heal.abstract	Οι κρατήρες είναι ένα κοινό φαινόμενο που εντοπίζεται στα στερεά σώματα του ηλιακού συστήματος, συμπεριλαμβανομένων των πλανητών, των δορυφόρων των πλανητών, των αστεροειδών, και περιστασιακά των κομητών. Οι κρατήρες, συνήθως σχηματίζονται από την πρόσκρουση μετεωροειδών, αστεροειδών ή κομητών σε μια πλανητική επιφάνεια. Η μελέτη των κρατήρων έχει ιστορικά αποτελέσει σημείο εστίασης για πλανητικούς γεωλόγους, δεδομένης της κρίσιμης σημασίας τους στην κατανόηση των γεωμορφολογικών διεργασιών. Η κατανομή των κρατήρων παρέχει πολύτιμες πληροφορίες για γεωμορφολογικές διεργασίες, ενώ ταυτόχρονα είναι ζωτικής σημασίας για κρίσιμες επιχειρήσεις των αποστολών, όπως οι ασφαλείς προσεδαφίσεις. Η Μηχανική Μάθηση είναι μια ευρέως χρησιμοποιούμενη προσέγγιση για την ανίχνευση κρατήρων σε πλανητικά δεδομένα. Αυτή η μελέτη αξιοποιεί τις τελευταίες εξελίξεις στην Τεχνητή Νοημοσύνη και την Τηλεπισκόπηση για την ανίχνευση κρατήρων. Ο αλγόριθμος YOLO εφαρμόστηκε σε ένα ανοιχτού κώδικα σύνολο δεδομένων κρατήρων του Άρη και η απόδοσή των διαφορετικών μοντέλων και μεγεθών αναλύεται. Τα ευρήματα υποδεικνύουν σημαντικές προόδους στις μεθοδολογίες ανίχνευσης κρατήρων, θέτοντας ένα νέο προηγούμενο για την αποτελεσματικότητα στην ανάλυση πλανητικών επιφανειών. Αυτή η έρευνα, μπορεί να αξιοποιηθεί περαιτέρω δεδομένης της τάσης για μείωση του κόστους των αποστολών και της χρήσης εμπορικά διαθέσιμων εξαρτημάτων σε μικρότερους δορυφόρους. Η ανάλυση κρατήρων σε πραγματικό χρόνο μέσα στο διαστημικό σκάφος, απαιτεί την αξιολόγηση αποδοτικών σε πόρους ανιχνευτών αντικειμένων σε πολλαπλά ενσωματωμένα συστήματα.	el
heal.abstract	Craters, as dominant geomorphological features, characterise the surface of solid-surface entities of the solar system, including planets, moons, asteroids, transeptunian objects, and occasionally comets. The distribution of craters provides valuable insight into geophormological processes while at the same time is vital for mission-critical operations like safe landings. Machine Learning is a widely used approach to detect craters on planetary data. This study leverages the latest AI and remote sensing breakthroughs for crater detection. Ten tailored YOLO networks are deployed on an open-source Mars craters dataset and their performance is analysed. In summary, the following contributions are made: •Efficient crater detectors are trained in an open dataset. •Increase of the prediction accuracy for both large and small crater instances in a large-scale dataset. •Evaluation and comparison of these networks is conducted. Findings pinpoint significant advancements in crater detection methodologies, setting a new precedent on the effectiveness in planetary surface analysis. This research can be further exploited given the trend of decreasing mission costs and utilising commercial-off-the-shelf (COTS) components in smaller satellites. Real-time crater analysis via edge computing onboard the spacecraft demands the evaluation of resource-efficient object detectors on multiple COTS embedded systems.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.advisorName	Karantzalos, Konstantinos	en
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Doulamis, Nikolaos	en
heal.committeeMemberName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Karathanasi, Vasileia	en
heal.committeeMemberName	Κωνσταντίνος, Καράντζαλος	el
heal.committeeMemberName	Konstantinos, Karantzalos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	112 σ.	el
heal.fullTextAvailability	false