論文の概要: Decentralised Semi-supervised Onboard Learning for Scene Classification in Low-Earth Orbit

• arxiv url: http://arxiv.org/abs/2305.04059v1
• Date: Sat, 6 May 2023 14:14:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 17:59:39.671062
• Title: Decentralised Semi-supervised Onboard Learning for Scene Classification in Low-Earth Orbit
• Title（参考訳）: 低地球軌道におけるシーン分類のための分散型半教師オンボード学習
• Authors: Johan \"Ostman, Pablo Gomez, Vinutha Magal Shreenath, Gabriele Meoni
• Abstract要約: 半教師付き学習を用いたシーン分類のための衛星コンステレーション上での機械学習モデルのトレーニングを紹介する。 分散学習とフェデレーション学習の両方を用いたミッションシナリオの評価を行った。 すべてのシナリオは、1日のミッションタイムフレーム内で高精度(EuroSAT RGBデータセットで約91%)に収束する。
• 参考スコア（独自算出の注目度）: 4.779196219827507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Onboard machine learning on the latest satellite hardware offers the potential for significant savings in communication and operational costs. We showcase the training of a machine learning model on a satellite constellation for scene classification using semi-supervised learning while accounting for operational constraints such as temperature and limited power budgets based on satellite processor benchmarks of the neural network. We evaluate mission scenarios employing both decentralised and federated learning approaches. All scenarios achieve convergence to high accuracy (around 91% on EuroSAT RGB dataset) within a one-day mission timeframe.
• Abstract（参考訳）: 最新の衛星ハードウェア上でのオンボード機械学習は、通信と運用コストを大幅に削減する可能性がある。 本稿では,半教師付き学習を用いたシーン分類のための衛星コンステレーション上での機械学習モデルのトレーニングを,ニューラルネットワークの衛星プロセッサベンチマークに基づく温度や電力予算の制限といった運用上の制約を考慮しながら紹介する。 我々は,分散学習と連合学習の両方を用いたミッションシナリオを評価する。 すべてのシナリオは、1日のミッションタイムフレーム内で高精度(EuroSAT RGBデータセットで約91%)に収束する。

関連論文リスト

• Scheduling for On-Board Federated Learning with Satellite Clusters [39.78458023920483]
  オンボードのフェデレーション学習により、衛星は機械学習モデルを協調的に訓練することができる。 本稿では,衛星間リンクに接続された星座のFLのスケジューリング手法を提案する。
  論文  参考訳（メタデータ） (2024-02-14T11:26:30Z)
• 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)
• Cooperative Federated Learning over Ground-to-Satellite Integrated Networks: Joint Local Computation and Data Offloading [33.44828515877944]
  本稿では,遠隔地における機械学習サービス管理を容易にするために,地域間協調学習(FL)手法を提案する。 本手法は、FL中に以下の重要な機能を提供するために衛星星座を編成する。 本手法は地上のみの衛星ベースラインアプローチと比べ,FLの収束を著しく早めることができることを示す。
  論文  参考訳（メタデータ） (2023-12-23T22:09:31Z)
• Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing [59.40731173370976]
  本研究は,エネルギー効率のよい脳誘発機械学習モデルのオンボード無線リソース管理への応用について検討する。 関連するワークロードでは、Loihi 2に実装されたスパイクニューラルネットワーク(SNN)の方が精度が高く、CNNベースのリファレンスプラットフォームと比較して消費電力が100ドル以上削減される。
  論文  参考訳（メタデータ） (2023-08-22T03:13:57Z)
• Remote Sensing Image Classification using Transfer Learning and Attention Based Deep Neural Network [59.86658316440461]
  本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。 提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
  論文  参考訳（メタデータ） (2022-06-20T10:05:38Z)
• Innovations in the field of on-board scheduling technologies [64.41511459132334]
  本稿では、ミッション自律のためのソフトウェアフレームワークに組み込まれた、オンボードスケジューラを提案する。 スケジューラは線形整数プログラミングに基づいており、ブランチ・アンド・カット・ソルバの使用に依存している。 この技術は地球観測のシナリオでテストされており、その性能を最先端のスケジューリング技術と比較している。
  論文  参考訳（メタデータ） (2022-05-04T12:00:49Z)
• 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)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)

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。