論文の概要: Reaching the Edge of the Edge: Image Analysis in Space
- arxiv url: http://arxiv.org/abs/2301.04954v2
- Date: Tue, 27 Jun 2023 14:30:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 17:37:51.014359
- Title: Reaching the Edge of the Edge: Image Analysis in Space
- Title（参考訳）: エッジの端に到達する:宇宙における画像解析
- Authors: Robert Bayer (1), Julian Priest (1), P{\i}nar T\"oz\"un (1) ((1) IT
University of Copenhagen)
- Abstract要約: 衛星は、部品のサイズとコストの削減により、より広く利用できるようになった。
さまざまなデータ集約型アプリケーションで衛星を運用できる小さな組織が出現している。
一般的な応用の1つは、地上、氷、雲など、地球観測のための画像解析である。
しかし、衛星に展開する装置の資源制約の性質は、この資源集約的な応用にさらなる課題をもたらす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Satellites have become more widely available due to the reduction in size and
cost of their components. As a result, there has been an advent of smaller
organizations having the ability to deploy satellites with a variety of
data-intensive applications to run on them. One popular application is image
analysis to detect, for example, land, ice, clouds, etc. for Earth observation.
However, the resource-constrained nature of the devices deployed in satellites
creates additional challenges for this resource-intensive application.
In this paper, we present our work and lessons-learned on building an Image
Processing Unit (IPU) for a satellite. We first investigate the performance of
a variety of edge devices (comparing CPU, GPU, TPU, and VPU) for
deep-learning-based image processing on satellites. Our goal is to identify
devices that can achieve accurate results and are flexible when workload
changes while satisfying the power and latency constraints of satellites. Our
results demonstrate that hardware accelerators such as ASICs and GPUs are
essential for meeting the latency requirements. However, state-of-the-art edge
devices with GPUs may draw too much power for deployment on a satellite. Then,
we use the findings gained from the performance analysis to guide the
development of the IPU module for an upcoming satellite mission. We detail how
to integrate such a module into an existing satellite architecture and the
software necessary to support various missions utilizing this module.
- Abstract（参考訳）: 衛星は、部品のサイズとコストの削減により、より広く利用可能になった。
その結果、さまざまなデータ集約アプリケーションを備えた衛星を運用する能力を持つ小さな組織が出現した。
一般的な応用の一つは、地球観測のために陸、氷、雲などを検出するための画像解析である。
しかし、衛星に展開する装置の資源制約の性質は、この資源集約的な応用にさらなる課題をもたらす。
本稿では,衛星用画像処理ユニット(IPU)の構築について,その課題と教訓について述べる。
まず,各種エッジデバイス(CPU,GPU,TPU,VPUなど)の衛星でのディープラーニング画像処理の性能について検討する。
私たちの目標は、衛星の電力とレイテンシの制約を満たしながら、正確な結果を達成し、ワークロードが変化しても柔軟であるデバイスを特定することです。
この結果から,ASICやGPUなどのハードウェアアクセラレータは,レイテンシ要件を満たす上で不可欠であることが示唆された。
しかし、GPUを使った最先端のエッジデバイスは、衛星への配備に多くの電力を消費する可能性がある。
次に,IPUモジュールの開発を今後の衛星ミッションに導くために,性能解析から得られた知見を用いた。
このようなモジュールを既存の衛星アーキテクチャに統合する方法と、このモジュールを利用する様々なミッションをサポートするために必要なソフトウェアについて詳述する。
関連論文リスト
- Vehicle Perception from Satellite [54.07157185000604]
データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。
小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。
128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
論文 参考訳（メタデータ） (2024-02-01T15:59:16Z) - Stitching Satellites to the Edge: Pervasive and Efficient Federated LEO Satellite Learning [1.3121410433987561]
本稿では,衛星が大規模機械学習(ML)タスクを効率的に実行できるようにする新しいFL-SECフレームワークを提案する。
主な構成要素は、余分な衛星画像を特定して排除するディビジョン・アンド・コンカーによるパーソナライズドラーニングと、軌道毎に集約された「軌道モデル」を生成し、地上局に送る前に再訓練する軌道モデル再訓練である。
我々のアプローチではFL収束時間が30倍近く減少し、衛星のエネルギー消費は1.38ワットまで減少し、例外的な精度は96%まで維持される。
論文 参考訳（メタデータ） (2024-01-28T02:01:26Z) - Characterizing Satellite Geometry via Accelerated 3D Gaussian Splatting [0.0]
本稿では,3次元ガウス散乱に基づく軌道上の衛星のマッピング手法を提案する。
ループ型衛星モックアップにおけるモデルトレーニングと3次元レンダリング性能を実演する。
我々のモデルでは、未知の衛星の高品質な新しいビューを、従来のNeRFベースのアルゴリズムよりも2桁近く高速にトレーニングし、レンダリングすることが可能であることが示されている。
論文 参考訳（メタデータ） (2024-01-05T00:49:56Z) - FedSN: A Federated Learning Framework over Heterogeneous LEO Satellite Networks [18.213174641216884]
多数の低軌道軌道(LEO)衛星が打ち上げられ、SpaceXなどの商業企業によって宇宙に投入された。
LEO衛星が搭載するマルチモーダルセンサにより、通信だけでなく、空間変調認識やリモートセンシング画像分類など、さまざまな機械学習アプリケーションにも機能する。
本稿では,これらの課題に対処するための一般FLフレームワークとしてFedSNを提案し,LEO衛星上でのデータ多様性について検討する。
論文 参考訳（メタデータ） (2023-11-02T14:47:06Z) - Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳（メタデータ） (2023-08-31T16:26:17Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - 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) - ADAPT: An Open-Source sUAS Payload for Real-Time Disaster Prediction and
Response with AI [55.41644538483948]
小型無人航空機システム(sUAS)は、多くの人道支援や災害対応作戦において顕著な構成要素となっている。
我々は,SUAS上にリアルタイムAIとコンピュータビジョンをデプロイするための,オープンソースのADAPTマルチミッションペイロードを開発した。
本研究では,河川氷の状態を監視し,破滅的な洪水現象をタイムリーに予測するための,リアルタイム・飛行中の氷分断の例を示す。
論文 参考訳（メタデータ） (2022-01-25T14:51:19Z) - 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) - Edge Detection for Satellite Images without Deep Networks [2.741266294612776]
衛星画像解析への最近のアプローチは、ディープラーニングの方法を大きく強調している。
ディープラーニングには、特殊なコンピューティングハードウェアの要件など、いくつかの欠点がある。
巨大な衛星データセットを扱う場合、計算リソースとトレーニングデータアノテーションのコストは禁じられるかもしれない。
論文 参考訳（メタデータ） (2021-05-26T15:47:42Z)
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。