論文の概要: Fast model inference and training on-board of Satellites

• arxiv url: http://arxiv.org/abs/2307.08700v1
• Date: Mon, 17 Jul 2023 17:59:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 11:48:41.319942
• Title: Fast model inference and training on-board of Satellites
• Title（参考訳）: 衛星の高速モデル推論とトレーニング
• Authors: V\'it R\r{u}\v{z}i\v{c}ka, Gonzalo Mateo-Garc\'ia, Chris Bridges, Chris Brunskill, Cormac Purcell, Nicolas Long\'ep\'e, Andrew Markham
• Abstract要約: 本研究は、D-OrbitのION SCV004衛星上に、RaVAEnと呼ばれる軽量の基礎モデルを展開する。 RaVAEnは小さな画像タイルから圧縮潜在ベクトルを生成し、いくつかの下流タスクを可能にする。
• 参考スコア（独自算出の注目度）: 16.93335252280199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence onboard satellites has the potential to reduce data transmission requirements, enable real-time decision-making and collaboration within constellations. This study deploys a lightweight foundational model called RaVAEn on D-Orbit's ION SCV004 satellite. RaVAEn is a variational auto-encoder (VAE) that generates compressed latent vectors from small image tiles, enabling several downstream tasks. In this work we demonstrate the reliable use of RaVAEn onboard a satellite, achieving an encoding time of 0.110s for tiles of a 4.8x4.8 km$^2$ area. In addition, we showcase fast few-shot training onboard a satellite using the latent representation of data. We compare the deployment of the model on the on-board CPU and on the available Myriad vision processing unit (VPU) accelerator. To our knowledge, this work shows for the first time the deployment of a multi-task model on-board a CubeSat and the on-board training of a machine learning model.
• Abstract（参考訳）: 衛星に搭載された人工知能は、データ伝送の要求を減らし、星座内のリアルタイムな意思決定と協調を可能にする可能性がある。 本研究は、D-OrbitのION SCV004衛星上に、RaVAEnと呼ばれる軽量の基礎モデルを展開する。 RaVAEnは、小さな画像タイルから圧縮された潜在ベクトルを生成する変分自動エンコーダ(VAE)である。 本研究では,衛星上でのravaenの信頼性を実証し,4.8x4.8 km$^2$領域のタイルに対して0.110sの符号化時間を達成する。 さらに,データの潜在表現を用いて,衛星上での高速少数ショットトレーニングも紹介する。 オンボードCPUと利用可能なマイリアッドビジョン処理ユニット(VPU)アクセラレータ上でのモデル配置を比較した。 私たちの知る限り、この研究はCubeSat上でマルチタスクモデルをデプロイし、機械学習モデルのオンボードトレーニングを初めて示したものです。

関連論文リスト

• Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios [66.05091704671503]
  本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。 また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:41:20Z)
• 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)
• Semantic Segmentation in Satellite Hyperspectral Imagery by Deep Learning [54.094272065609815]
  本稿では1D-Justo-LiuNetという軽量な1D-CNNモデルを提案する。 1D-Justo-LiuNetは、全てのテストモデルの中で最小のモデルサイズ (4,563 パラメータ) を持つ最大精度 (0.93) を達成する。
  論文  参考訳（メタデータ） (2023-10-24T21:57:59Z)
• 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)
• Reaching the Edge of the Edge: Image Analysis in Space [0.0]
  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。
  論文  参考訳（メタデータ） (2023-01-12T11:51:11Z)
• 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)
• Planetary UAV localization based on Multi-modal Registration with Pre-existing Digital Terrain Model [0.5156484100374058]
  我々は,UAV上のナディルビューカメラを用いて,惑星UAVの位置を推定するマルチモーダル登録に基づくSLAMアルゴリズムを提案する。 オンボードUAV画像とプリインストールデジタル地形モデルとのスケールと外観の違いを克服するために,UAV画像とDEMの地形特性がクロスパワースペクトルを介して周波数領域で相関できることを示す理論的モデルを提案した。 提案するローカライゼーションアルゴリズムのロバスト性と有効性をテストするために,惑星探査のための新しいクロスソースドローンベースのローカライゼーションデータセットを提案する。
  論文  参考訳（メタデータ） (2021-06-24T02:54:01Z)
• Integrating LEO Satellite and UAV Relaying via Reinforcement Learning for Non-Terrestrial Networks [51.05735925326235]
  低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。 軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。 エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。 本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2020-05-26T05:39:27Z)

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。