Unsupervised feature learning for autonomous rock image classification

طبقه بندی خودکار سنگ می تواند توانایی روبات ها برای تشخیص زمین شناسی را افزایش دهد و بازده های علمی را افزایش دهد، هر دو در تحقیق بر روی زمین و اکتشاف سطح سیاره در مریخ. از آنجایی که تصاویر بافت بافت معمولا ناهمگن هستند و ویژگی های دستکاری دستی همیشه قابل اطمینان نیست، ما یک روش یادگیری ویژگی بدون نظارت را پیشنهاد می کنیم تا مستقل از نمایش ویژگی برای تصاویر سنگی یاد بگیرند. در تست های ما، طبقه بندی تصویر سنگ با استفاده از ویژگی های آماری نشان می دهد که ویژگی های آموخته می تواند از ویژگی های انتخاب شده دستی بهتر باشد. یادگیری خودآموز نیز برای یادگیری نمایندگی ویژگی از یک پایگاه داده بزرگ از تصاویر سنگی بدون مارک کلاس مخلوط پیشنهاد شده است. سپس ویژگی های آموخته شده را می توان بارها و بارها برای طبقه بندی هر زیر مجموعه استفاده کرد. این استفاده از مجموعه داده های بزرگ از تصاویر بدون مارک طول می کشد و یک ویژگی کلی برای بسیاری از انواع سنگ ها را می آموزد. ما نتایج تجربی را از امکان سنجی یادگیری خودآموز بر روی تصاویر سنگی نشان می دهیم.