論文の概要: The Final Frontier: Deep Learning in Space

• arxiv url: http://arxiv.org/abs/2001.10362v2
• Date: Mon, 3 Feb 2020 10:45:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 08:34:44.883879
• Title: The Final Frontier: Deep Learning in Space
• Title（参考訳）: 最後のフロンティア:宇宙の深層学習
• Authors: Vivek Kothari, Edgar Liberis, Nicholas D. Lane
• Abstract要約: 機械学習、特にディープラーニングは、宇宙アプリケーションでの利用が増えている。 高度な計算知性を提供するディープラーニングの能力は、宇宙機器上で様々なタスクを楽にするための魅力的な選択肢である。 衛星画像などの空間データに機械学習の様々な応用を照合し、オンデバイス深層学習が宇宙船の操作を有意義に改善する方法について述べる。
• 参考スコア（独自算出の注目度）: 9.85367751757698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning, particularly deep learning, is being increasing utilised in space applications, mirroring the groundbreaking success in many earthbound problems. Deploying a space device, e.g. a satellite, is becoming more accessible to small actors due to the development of modular satellites and commercial space launches, which fuels further growth of this area. Deep learning's ability to deliver sophisticated computational intelligence makes it an attractive option to facilitate various tasks on space devices and reduce operational costs. In this work, we identify deep learning in space as one of development directions for mobile and embedded machine learning. We collate various applications of machine learning to space data, such as satellite imaging, and describe how on-device deep learning can meaningfully improve the operation of a spacecraft, such as by reducing communication costs or facilitating navigation. We detail and contextualise compute platform of satellites and draw parallels with embedded systems and current research in deep learning for resource-constrained environments.
• Abstract（参考訳）: 機械学習、特にディープラーニングは、宇宙アプリケーションで活用されつつあり、多くの地上問題における画期的な成功を反映している。 人工衛星のような宇宙機器の配備は、モジュラー衛星や商業宇宙打ち上げの開発により、小規模事業者にとってよりアクセスしやすくなり、この領域のさらなる成長を促している。 高度な計算インテリジェンスを提供するディープラーニングの能力は、宇宙機器上の様々なタスクを容易にし、運用コストを削減できる魅力的な選択肢である。 本研究では,モバイルおよび組み込み機械学習の開発方向の1つとして,空間における深層学習を同定する。 衛星画像などの空間データに機械学習の様々な応用を照合し、通信コストの低減やナビゲーションの容易化など、デバイス上のディープラーニングが宇宙船の運用を有意義に改善する方法について述べる。 衛星の計算プラットフォームを詳述し、組込みシステムと平行に描画し、資源制約環境のためのディープラーニングの研究を行っている。

関連論文リスト

• Space for Improvement: Navigating the Design Space for Federated Learning in Satellite Constellations [0.8437187555622164]
  衛星コンステレーションの設計とハードウェア対応テストプラットフォームであるFLySTacKを用いて,既存のFLアルゴリズムの空間化手法を開発した。 我々はAutoFLSatを紹介した。これは空間に対する一般化された階層的な自律的FLアルゴリズムであり、主要な代替手段よりも12.5%から37.5%のモデルトレーニング時間を短縮する。
  論文  参考訳（メタデータ） (2024-10-31T23:49:36Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
  この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。 欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
  論文  参考訳（メタデータ） (2022-12-10T07:49:50Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
  高速物体把握のための完全自律飛行ロボットが提案されている。 追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。 我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
  論文  参考訳（メタデータ） (2021-12-10T11:49:51Z)
• Deep Learning-based Spacecraft Relative Navigation Methods: A Survey [3.964047152162558]
  本調査は,現在の深層学習に基づく自律型宇宙船の相対航法について検討することを目的としている。 宇宙船のランデブーや小さな天体や月への着陸など、具体的な軌道の応用に焦点を当てている。
  論文  参考訳（メタデータ） (2021-08-19T18:54:19Z)
• A Spacecraft Dataset for Detection, Segmentation and Parts Recognition [42.27081423489484]
  本稿では,宇宙船検出,インスタンスのセグメンテーション,部分認識のためのデータセットをリリースする。 この研究の主な貢献は、宇宙ステーションと衛星の画像を用いたデータセットの開発である。 また、データセットのベンチマークとして、オブジェクト検出やインスタンスセグメンテーションにおける最先端の手法による評価も提供する。
  論文  参考訳（メタデータ） (2021-06-15T14:36:56Z)
• Model Optimization for Deep Space Exploration via Simulators and Deep Learning [0.0]
  ニューラルネットワークを用いた深層学習の応用を探索し、天体の検出を自動化します。 画像を取得して分析し、重要なものを返送する能力は、帯域制限のあるアプリケーションでは重要です。 複数のモデルアーキテクチャにおいて、比較的小さなトレーニングセットであっても、達成された最大精度が98%以上に達することが示される。
  論文  参考訳（メタデータ） (2020-12-28T04:36:09Z)
• Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
  本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。 本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
  論文  参考訳（メタデータ） (2020-11-06T07:39:08Z)
• Auxiliary-task learning for geographic data with autoregressive embeddings [1.4823143667165382]
  本研究では,空間データの自己回帰性に関する情報を学習プロセスに直接埋め込む手法であるSXLを提案する。 局所空間自己相関の一般的な尺度である局所モランIを用いて、局所空間効果の方向と大きさを学習する。 我々は,教師なしおよび教師なしの学習タスクにおいて,ニューラルネットワークのトレーニングを継続的に改善する方法について強調する。
  論文  参考訳（メタデータ） (2020-06-18T12:16:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。