論文の概要: Optimizing Data Processing in Space for Object Detection in Satellite
Imagery
- arxiv url: http://arxiv.org/abs/2107.03774v1
- Date: Thu, 8 Jul 2021 11:37:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 13:41:54.297806
- Title: Optimizing Data Processing in Space for Object Detection in Satellite
Imagery
- Title（参考訳）: 衛星画像における物体検出のための空間データ処理の最適化
- Authors: Martina Lofqvist, Jos\'e Cano
- Abstract要約: 衛星データに異なる画像圧縮技術を適用し, 拘束デバイス上でのCNNを用いた物体検出の性能について検討した。
我々は、Single Shot MultiBox Detector (SSD) やリージョンベースのFully Convolutional Network (R-FCN) モデルなど、オブジェクト検出ネットワークを詳しく検討する。
その結果、画像圧縮技術を適用することで、実行時間とメモリ消費を改善し、完全に実行可能なデータセットを実現することができることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: There is a proliferation in the number of satellites launched each year,
resulting in downlinking of terabytes of data each day. The data received by
ground stations is often unprocessed, making this an expensive process
considering the large data sizes and that not all of the data is useful. This,
coupled with the increasing demand for real-time data processing, has led to a
growing need for on-orbit processing solutions. In this work, we investigate
the performance of CNN-based object detectors on constrained devices by
applying different image compression techniques to satellite data. We examine
the capabilities of the NVIDIA Jetson Nano and NVIDIA Jetson AGX Xavier;
low-power, high-performance computers, with integrated GPUs, small enough to
fit on-board a nanosatellite. We take a closer look at object detection
networks, including the Single Shot MultiBox Detector (SSD) and Region-based
Fully Convolutional Network (R-FCN) models that are pre-trained on DOTA - a
Large Scale Dataset for Object Detection in Aerial Images. The performance is
measured in terms of execution time, memory consumption, and accuracy, and are
compared against a baseline containing a server with two powerful GPUs. The
results show that by applying image compression techniques, we are able to
improve the execution time and memory consumption, achieving a fully runnable
dataset. A lossless compression technique achieves roughly a 10% reduction in
execution time and about a 3% reduction in memory consumption, with no impact
on the accuracy. While a lossy compression technique improves the execution
time by up to 144% and the memory consumption is reduced by as much as 97%.
However, it has a significant impact on accuracy, varying depending on the
compression ratio. Thus the application and ratio of these compression
techniques may differ depending on the required level of accuracy for a
particular task.
- Abstract（参考訳）: 毎年打ち上げられる衛星の数は急増しており、結果として毎日テラバイトのデータをダウンリンクしている。
地上局が受信したデータは処理されないことが多く、大きなデータサイズを考慮すると高価な処理であり、すべてのデータが有用ではない。
これは、リアルタイムデータ処理の需要の増加と相まって、軌道上の処理ソリューションの必要性が高まっている。
本研究では,衛星データに異なる画像圧縮技術を適用することで,制約されたデバイス上でのcnnベースの物体検出性能について検討する。
NVIDIA Jetson Nano と NVIDIA Jetson AGX Xavier の低消費電力で高性能なコンピュータである NVIDIA Jetson Nano と NVIDIA Jetson AGX XX の機能について検討した。
我々は,ssd(single shot multibox detector)や,航空画像における物体検出のための大規模データセットであるdota上で事前学習された領域ベース完全畳み込みネットワーク(r-fcn)モデルなど,物体検出ネットワークを詳細に検討する。
パフォーマンスは、実行時間、メモリ消費量、正確性の観点から測定され、2つの強力なgpuを持つサーバを含むベースラインと比較される。
その結果、画像圧縮技術を適用することで、実行時間とメモリ消費を改善でき、完全な実行可能データセットを実現できることがわかった。
ロスレス圧縮技術は、実行時間の約10%削減とメモリ消費の約3%削減を実現し、精度に影響を与えない。
圧縮技術が失われると実行時間が最大144%向上し、メモリ消費が最大97%削減される。
しかし、圧縮比によって異なるため、精度に大きな影響を及ぼす。
したがって、これらの圧縮技術の適用と比率は、特定のタスクに必要な精度レベルによって異なる可能性がある。
関連論文リスト
- Compressing high-resolution data through latent representation encoding for downscaling large-scale AI weather forecast model [10.634513279883913]
本稿では,高解像度データセットの圧縮に適した変分オートエンコーダフレームワークを提案する。
本フレームワークは,HRCLDASデータの3年間の保存容量を8.61TBから204GBに削減し,必須情報を保存した。
論文 参考訳（メタデータ） (2024-10-10T05:38:03Z) - Neural-based Compression Scheme for Solar Image Data [8.374518151411612]
我々は、NASAのデータ集約画像ミッションで使用されるニューラルネットワークに基づく損失圧縮手法を提案する。
本研究では,画像の局所構造と大域構造の両方を捉えるために,局所的および非局所的アテンションモジュールを備えた逆トレーニングニューラルネットワークを提案する。
このアルゴリズムをSDOデータ解析に使用するための概念実証として、圧縮画像を用いてコロナホール(CH)検出を行った。
論文 参考訳（メタデータ） (2023-11-06T04:13:58Z) - Dataset Quantization [72.61936019738076]
大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。
DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
論文 参考訳（メタデータ） (2023-08-21T07:24:29Z) - Object Detection performance variation on compressed satellite image
datasets with iquaflow [0.0]
iquaflowは、画像データセットを変更することで、画質とモデルパフォーマンスの変化を研究するように設計されている。
公開画像データセットを用いたオブジェクト検出モデルの導入に関する展示研究を行っている。
論文 参考訳（メタデータ） (2023-01-14T11:20:27Z) - Analysis of the Effect of Low-Overhead Lossy Image Compression on the
Performance of Visual Crowd Counting for Smart City Applications [78.55896581882595]
画像圧縮技術は画像の品質を低下させ、精度を低下させる。
本稿では,低オーバヘッド損失画像圧縮法の適用が視覚的群集カウントの精度に与える影響を解析する。
論文 参考訳（メタデータ） (2022-07-20T19:20:03Z) - Feature Compression for Rate Constrained Object Detection on the Edge [20.18227104333772]
この問題を解決するための新たなアプローチは、ニューラルネットワークの計算をエッジサーバのコンピューティングリソースにオフロードすることだ。
本研究では、YOLOオブジェクト検出モデルの計算の一部をオフロードする「分割計算」システムについて検討する。
我々は、速度制約下でのオブジェクト検出精度を最適化するために、YOLOモデルとともに特徴圧縮および非圧縮モジュールを訓練する。
論文 参考訳（メタデータ） (2022-04-15T03:39:30Z) - 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) - SALISA: Saliency-based Input Sampling for Efficient Video Object
Detection [58.22508131162269]
ビデオオブジェクト検出のための新しい一様SALiencyベースの入力SAmpling技術であるSALISAを提案する。
SALISAは小物体の検出を著しく改善することを示す。
論文 参考訳（メタデータ） (2022-04-05T17:59:51Z) - Memory Replay with Data Compression for Continual Learning [80.95444077825852]
古いトレーニングサンプルの記憶コストを低減するため,データ圧縮によるメモリリプレイを提案する。
我々はこれを、クラスインクリメンタル学習のいくつかのベンチマークと、自律運転のためのオブジェクト検出の現実的なシナリオにおいて、広範囲に検証する。
論文 参考訳（メタデータ） (2022-02-14T10:26:23Z) - You Better Look Twice: a new perspective for designing accurate
detectors with reduced computations [56.34005280792013]
BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。
非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。
結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
論文 参考訳（メタデータ） (2021-07-21T12:39:51Z) - Accelerating Deep Learning Applications in Space [0.0]
拘束デバイス上でのCNNを用いた物体検出の性能について検討する。
我々は、Single Shot MultiBox Detector (SSD)とリージョンベースのFully Convolutional Network (R-FCN)について詳しく検討する。
性能は、推測時間、メモリ消費、精度で測定される。
論文 参考訳（メタデータ） (2020-07-21T21:06:30Z)
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。