RAAArity/Mars_surface_image_Curiosity_rover_labeled_data_set_version_1

该数据集由火星科学实验室（MSL，好奇号）的三个仪器（Mastcam右眼、Mastcam左眼和MAHLI）收集，包含6691张图像。这些图像是每个原始数据产品的“浏览”版本，不是全分辨率，每张图像的分辨率约为256x256像素。数据集根据火星日（sol）进行划分，分为训练集、验证集和测试集，以模拟系统在图像档案随时间增长时的操作使用。数据集还提供了校准图像目录和标签文件，以及类别ID到类别名称的映射文件。

原始信息汇总

Mars表面图像（Curiosity探测器）标记数据集

作者

• Alice Stanboli
• Kiri L. Wagstaff

联系信息

• 邮箱：[e-mail]

数据集描述

• 数据集包含6691张由火星科学实验室（MSL，Curiosity）探测器通过三种仪器（Mastcam右眼、Mastcam左眼和MAHLI）采集的图像。
• 这些图像是原始数据产品的“浏览”版本，并非全分辨率，每张图像大约为256x256像素。
• 全尺寸图像可从PDS获取。

数据划分

• 图像根据采集的火星日（sol）分为训练集、验证集和测试集。
• 图像采集时间从sols 3到1060（2012年8月至2015年7月）。
• 具体的训练/验证/测试划分在单独的文件中给出。

内容

• calibrated/：包含校准后的MSL浏览图像目录
• train-calibrated-shuffled.txt：训练标签（图像随机顺序）
• val-calibrated-shuffled.txt：验证标签
• test-calibrated-shuffled.txt：测试标签
• msl_synset_words-indexed.txt：类别ID到类别名称的映射

引用

• 如果使用此数据集，请引用DOI：10.5281/zenodo.1049137
• 同时引用以下论文： Kiri L. Wagstaff, You Lu, Alice Stanboli, Kevin Grimes, Thamme Gowda, and Jordan Padams. "Deep Mars: CNN Classification of Mars Imagery for the PDS Imaging Atlas." Proceedings of the Thirtieth Annual Conference on Innovative Applications of Artificial Intelligence, 2018.

搜集汇总

数据集介绍

构建方式

在行星地质学与遥感影像分析领域，火星表面图像数据集为研究提供了关键素材。该数据集由火星科学实验室（MSL）的好奇号探测器采集，涵盖三个仪器（右眼桅杆相机、左眼桅杆相机及火星手持透镜成像仪）获取的6691幅图像。图像均为浏览版本，分辨率约为256x256像素，原始数据源自行星数据系统。构建过程中，依据图像采集的火星日（sol）进行划分，时间跨度为第3至1060火星日（2012年8月至2015年7月），以此模拟随时间增长的图像档案操作场景，并生成训练、验证与测试子集。

特点

该数据集在行星表面影像分类研究中展现出独特价值。其图像覆盖好奇号探测器早期任务阶段，捕捉了火星地表多样地质特征，如岩石、沙丘及侵蚀地貌。数据经过校准处理，确保辐射与几何一致性，便于机器学习模型直接应用。类别标签通过专业标注映射至具体地质语义，支持细粒度分类任务。数据集结构清晰，提供标准划分文件与类别映射表，兼顾学术严谨性与工程实用性。

使用方法

在行星科学人工智能应用中，该数据集适用于监督学习框架。用户可从校准图像目录加载数据，并参照提供的划分文件（训练、验证、测试标签）构建数据管道。类别映射文件将数字标识符转换为可读地质术语，便于模型解释与评估。研究者可基于此训练卷积神经网络等模型，实现火星地表特征自动识别，推动行星地质自动化分析。使用中需引用指定DOI及相关论文，遵循学术规范。

背景与挑战

背景概述

在行星科学领域，火星表面图像分析对于理解火星地质演化、气候变迁及潜在生命迹象具有关键意义。由Alice Stanboli与Kiri L. Wagstaff领导的团队于2018年构建的Mars_surface_image_Curiosity_rover_labeled_data_set_version_1数据集，整合了火星科学实验室好奇号探测器在2012年至2015年间采集的6691幅图像，涵盖Mastcam与MAHLI等仪器数据。该数据集旨在通过深度学习技术，系统化分类火星地表特征，推动行星地质自动识别研究，并为行星数据系统成像图谱提供标准化标注资源，显著提升了火星遥感图像分析的效率与精度。

当前挑战

该数据集致力于解决火星地表图像的多类别自动分类挑战，包括岩石形态、沉积结构及风化特征等复杂地质元素的辨识，其难点在于火星环境光照多变、地表纹理相似度高导致的特征混淆。在构建过程中，研究人员面临数据校准与标注的复杂性，需从原始低分辨率浏览图像中提取有效信息，并依据火星日时间序列划分训练集与测试集，以模拟实际任务中数据随时间累积的动态场景，同时确保类别的平衡性与标注一致性，克服了行星图像数据异构性带来的技术障碍。

常用场景

经典使用场景

在行星科学领域，火星表面图像数据集为机器学习模型提供了宝贵的训练资源。该数据集通过好奇号火星车采集的6691张图像，涵盖了多种地形特征，常用于训练卷积神经网络进行自动地貌分类。研究人员利用这些标注数据，能够高效识别火星表面的岩石、沙丘、土壤等典型地质结构，从而模拟人类地质学家的视觉分析过程，提升对火星环境理解的自动化水平。

解决学术问题

该数据集有效解决了火星图像自动分析中的关键学术挑战。传统方法依赖人工判读，效率低下且易受主观因素影响。通过提供标准化的训练、验证和测试划分，该数据集支持开发鲁棒的图像分类算法，促进了行星地质学与人工智能的交叉研究。其按火星日划分的策略，模拟了实际任务中数据随时间增长的场景，为时序图像分析提供了基准，推动了深空探测数据智能处理技术的发展。

衍生相关工作

围绕该数据集，衍生了一系列经典研究工作。其中，Wagstaff等人发表的《Deep Mars》论文首次利用卷积神经网络对火星图像进行系统分类，为后续研究提供了方法论框架。其他学者在此基础上，探索了迁移学习、多模态融合等技术，以提升模型在有限标注数据下的性能。这些工作共同推动了行星科学数据集的标准化建设，并激发了更多关于外星环境自动分析的创新探索。