論文の概要: Seed Feature Maps-based CNN Models for LEO Satellite Remote Sensing Services

• arxiv url: http://arxiv.org/abs/2308.06515v1
• Date: Sat, 12 Aug 2023 09:41:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 16:54:01.933493
• Title: Seed Feature Maps-based CNN Models for LEO Satellite Remote Sensing Services
• Title（参考訳）: LEO衛星リモートセンシングサービスのための種目地図に基づくCNNモデル
• Authors: Zhichao Lu and Chuntao Ding and Shangguang Wang and Ran Cheng and Felix Juefei-Xu and Vishnu Naresh Boddeti
• Abstract要約: 高性能畳み込みニューラルネットワーク(CNN)モデルは、リモートセンシング画像処理のために低軌道(LEO)衛星に配備される。 既存のアプローチでは、大きな浮動小数点演算(FLOP)と実質的なモデルパラメータ伝達が必要となることが多い。 本稿では,これらの問題に対処するための地上局型サーバ支援フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 38.806002727371244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying high-performance convolutional neural network (CNN) models on low-earth orbit (LEO) satellites for rapid remote sensing image processing has attracted significant interest from industry and academia. However, the limited resources available on LEO satellites contrast with the demands of resource-intensive CNN models, necessitating the adoption of ground-station server assistance for training and updating these models. Existing approaches often require large floating-point operations (FLOPs) and substantial model parameter transmissions, presenting considerable challenges. To address these issues, this paper introduces a ground-station server-assisted framework. With the proposed framework, each layer of the CNN model contains only one learnable feature map (called the seed feature map) from which other feature maps are generated based on specific rules. The hyperparameters of these rules are randomly generated instead of being trained, thus enabling the generation of multiple feature maps from the seed feature map and significantly reducing FLOPs. Furthermore, since the random hyperparameters can be saved using a few random seeds, the ground station server assistance can be facilitated in updating the CNN model deployed on the LEO satellite. Experimental results on the ISPRS Vaihingen, ISPRS Potsdam, UAVid, and LoveDA datasets for semantic segmentation services demonstrate that the proposed framework outperforms existing state-of-the-art approaches. In particular, the SineFM-based model achieves a higher mIoU than the UNetFormer on the UAVid dataset, with 3.3x fewer parameters and 2.2x fewer FLOPs.
• Abstract（参考訳）: 高速リモートセンシング画像処理のための低軌道(LEO)衛星に高性能畳み込みニューラルネットワーク(CNN)モデルを展開することは、産業や学術から大きな関心を集めている。 しかし、LEO衛星で利用可能な限られた資源は、資源集約型CNNモデルの要求とは対照的であり、これらのモデルのトレーニングと更新に地上局サーバアシストを採用する必要がある。 既存のアプローチでは、大きな浮動小数点演算(FLOP)と実質的なモデルパラメータ伝達を必要とし、かなりの課題を提示する。 そこで本稿では,これらの問題に対処するために,地上局サーバ支援フレームワークを提案する。 提案したフレームワークでは,CNNモデルの各レイヤには,特定のルールに基づいて他の特徴マップを生成する,学習可能な特徴マップ(シード特徴マップと呼ばれる)がひとつだけ含まれている。 これらの規則のハイパーパラメータは訓練される代わりにランダムに生成され、種の特徴マップから複数の特徴マップが生成され、FLOPが大幅に減少する。 さらに、ランダムなハイパーパラメータを数個のランダムなシードで保存できるため、LEO衛星上に展開されたCNNモデルの更新において、地上局サーバの支援が容易となる。 セマンティックセグメンテーションサービスのためのISPRS Vaihingen、ISPRS Potsdam、UAVid、LoveDAデータセットの実験結果は、提案フレームワークが既存の最先端アプローチよりも優れていることを示している。 特に、SineFMベースのモデルはUAVidデータセット上のUNetFormerよりも高いmIoUを実現しており、パラメータは3.3倍、FLOPは2.2倍少ない。

関連論文リスト

• Low-Rank Adaption on Transformer-based Oriented Object Detector for Satellite Onboard Processing of Remote Sensing Images [5.234109158596138]
  衛星搭載時の深層学習モデルは、リモートセンシング画像のリアルタイム解釈を可能にする。 本稿では,ローランク適応 (LoRA) モジュールを用いたパラメータ効率の高い微調整技術を提案する。 モデル全体のパラメータの12.4$%だけを微調整し、更新することで、完全な微調整モデルの性能の97$%から100$%までを達成できる。
  論文  参考訳（メタデータ） (2024-06-04T15:00:49Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• 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)
• Efficient Baselines for Motion Prediction in Autonomous Driving [7.608073471097835]
  複数の周辺エージェントの運動予測(MP)は、任意に複雑な環境において重要な課題である。 注意機構やGNNを含むMPのためのSOTA(State-Of-The-Art)技術を用いて,コンパクトなモデルを開発することを目指している。
  論文  参考訳（メタデータ） (2023-09-06T22:18:16Z)
• 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)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling [101.72318949104627]
  本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。 LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
  論文  参考訳（メタデータ） (2022-05-31T07:23:42Z)
• Compact Multi-level Sparse Neural Networks with Input Independent Dynamic Rerouting [33.35713740886292]
  疎いディープニューラルネットワークは、モデルの複雑さとメモリ消費を大幅に減らすことができる。 現実の課題に直面する中で,複数のスパースレベルをサポートするスパースモデルをトレーニングすることを提案する。 このようにして、推論中に適切なスパーシティレベルを動的に選択でき、ストレージコストを最小のスパースサブモデルで抑えることができる。
  論文  参考訳（メタデータ） (2021-12-21T01:35:51Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。