Come funziona Crater‑MASN, la nuova rete che trova i crateri lunari in un lampo?

Scoprire i crateri sulla Luna è fondamentale per capire la storia del nostro satellite, ma è anche una sfida: i crateri variano di forma, dimensione e luminosità, e spesso le foto spaziali sono affollate di ombre e dettagli confusi. Inoltre, i cataloghi esistenti non includono tutti i crateri, rendendo difficile l’addestramento di algoritmi tradizionali.

Il team di ricercatori ha creato Crater‑MASN, una rete neurale leggera pensata proprio per questi problemi. Il cuore del modello è GhostNet, una architettura compatta che usa pochi parametri (solo 2,1 milioni) ma mantiene alta precisione. Per cogliere le diverse dimensioni dei crateri, Crater‑MASN utilizza il BIFM, un modulo che combina informazioni a più scale in entrambe le direzioni, così da non perdere i piccoli crateri né i grandi bacini.

Un altro ostacolo è la mancanza di dati etichettati. Qui entra in gioco l’ASCS, che cerca crateri non ancora segnalati raggruppando le caratteristiche semantiche e usando l’apprendimento contrastivo per distinguere vero cratere da rumore.

Infine, per gestire le sovrapposizioni in aree densamente craterizzate, gli autori hanno ideato H‑SoftNMS, un algoritmo di post‑processing che elimina solo le sovrapposizioni non gerarchiche, preservando i crateri annidati.

I risultati sono impressionanti: una precisione (mAP50) del 91 % e un richiamo del 95 % con una scoperta di nuovi crateri pari all’89,6 %. Crater‑MASN promette di accelerare la creazione di cataloghi lunari più completi e di supportare future missioni di esplorazione.

Crater‑MASN si basa su GhostNet, una variante di rete convoluzionale che sfrutta i cosiddetti “ghost modules” per generare più mappe di attivazione a partire da un numero ridotto di filtri reali, riducendo drasticamente il costo computazionale. Il BIFM (Bidirectional Integration and Fusion Module) implementa una fusione top‑down e bottom‑up dei feature map, consentendo al modello di apprendere sia contesti globali sia dettagli locali simultaneamente. L’ASCS (Adaptive Semantic Contrastive Sampling) utilizza un clustering semantico basato su embeddings ottenuti da una testa di proiezione, seguito da una loss contrastiva che spinge le rappresentazioni dei crateri non etichettati verso il centro del cluster positivo, migliorando la separazione rispetto al rumore di fondo. L’algoritmo H‑SoftNMS introduce una penalizzazione geometrica che tiene conto del raggio e della profondità apparente dei crateri, preservando le gerarchie di sovrapposizione tipiche di regioni altamente craterizzate. Dal punto di vista dell’addestramento, il modello è stato ottimizzato con AdamW (learning rate 1e‑4) e una schedulazione cosine annealing, con data augmentation che include rotazioni random, variazioni di contrasto e simulazione di ombre lunari. I test su un dataset lunare di 30 000 immagini hanno mostrato che Crater‑MASN supera di 7 % le architetture basate su ResNet‑50 in termini di mAP, mantenendo un footprint di memoria inferiore del 60 %. Questi risultati suggeriscono che l’approccio multi‑scala e il contrastive sampling sono strategie promettenti per superare la scarsità di annotazioni in altri domini planetari, come Marte o Mercurio.