論文の概要: Satellite Imagery and AI: A New Era in Ocean Conservation, from Research to Deployment and Impact (Version. 2.0)

• arxiv url: http://arxiv.org/abs/2312.03207v2
• Date: Thu, 29 May 2025 17:39:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.233476
• Title: Satellite Imagery and AI: A New Era in Ocean Conservation, from Research to Deployment and Impact (Version. 2.0)
• Title（参考訳）: 衛星画像とAI:研究から展開・衝撃まで(バージョン2.0)
• Authors: Patrick Beukema, Favyen Bastani, Yawen Zheng, Piper Wolters, Henry Herzog, Joe Ferdinando,
• Abstract要約: イルガル、非報告、および非規制漁業(IUU)は、海洋生物にとって世界的脅威となる。 NASA、欧州宇宙機関(ESA)、アメリカ地質調査所(USGS)によって提供された衛星データにより、この活動は活発に監視される。 海面保全のために衛星データを効果的に活用するには、最小のレイテンシで世界中で運用される信頼性の高い機械学習モデルが必要である。 本稿では,Sentinel-1(合成開口レーダ),Sentinel-2(光学画像),Landsat 8-9(光学画像),Suomi-NPP/NOAA-20/NOAA-21(夜間光)の4種類の特殊なコンピュータビジョンモデルを提案する。
• 参考スコア（独自算出の注目度）: 4.038389467547872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Illegal, unreported, and unregulated (IUU) fishing poses a global threat to ocean habitats. Publicly available satellite data offered by NASA, the European Space Agency (ESA), and the U.S. Geological Survey (USGS), provide an opportunity to actively monitor this activity. Effectively leveraging satellite data for maritime conservation requires highly reliable machine learning models operating globally with minimal latency. This paper introduces four specialized computer vision models designed for a variety of sensors including Sentinel-1 (synthetic aperture radar), Sentinel-2 (optical imagery), Landsat 8-9 (optical imagery), and Suomi-NPP/NOAA-20/NOAA-21 (nighttime lights). It also presents best practices for developing and deploying global-scale real-time satellite based computer vision. All of the models are open sourced under permissive licenses. These models have all been deployed in Skylight, a real-time maritime monitoring platform, which is provided at no cost to users worldwide.
• Abstract（参考訳）: イルガル、非報告、および非規制漁業(IUU)は、海洋生物にとって世界的脅威となる。 NASA、欧州宇宙機関(ESA)、アメリカ地質調査所(USGS)が公開している衛星データにより、この活動は活発に監視される。 海面保全のために衛星データを効果的に活用するには、最小のレイテンシで世界中で運用される信頼性の高い機械学習モデルが必要である。 本稿では,Sentinel-1(合成開口レーダ),Sentinel-2(光学画像),Landsat 8-9(光学画像),Suomi-NPP/NOAA-20/NOAA-21(夜間光)の4種類の特殊なコンピュータビジョンモデルを提案する。 また、グローバルスケールのリアルタイム衛星ベースのコンピュータビジョンの開発と展開のためのベストプラクティスも提示する。 すべてのモデルはパーミッシブライセンスの下でオープンソース化されている。 これらのモデルはすべて、リアルタイムの海上監視プラットフォームであるSkylightにデプロイされ、世界中のユーザに無償で提供される。

関連論文リスト

• Low-altitude Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.72954660774002]
  低地球軌道(LEO)衛星は、海上無線通信で広範囲にわたるデータ通信を支援するために使用できる。 LEO衛星を広範囲にカバーし、チャネルの開放性と組み合わせることで、通信プロセスはセキュリティ上のリスクに悩まされる可能性がある。 本稿では無人航空機による低高度衛星通信システムLEOについて述べる。
  論文  参考訳（メタデータ） (2025-01-26T10:13:51Z)
• Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [33.025831091005784]
  大規模な海面温度(SST)モニタリングは、衛星の赤外線検出に依存している。 クラウドカバーは大きな課題を示し、広範な観察上のギャップを生み出します。 我々は、衛星画像の雲に覆われた部分を再構築するために、ディープニューラルネットワークを使用している。
  論文  参考訳（メタデータ） (2024-12-04T15:49:49Z)
• A Computer Vision Approach to Estimate the Localized Sea State [45.498315114762484]
  本研究は, 船橋に設置した静止カメラ1台が捉えた運用用封筒内の海像の活用に焦点を当てた。 収集した画像は、深層学習モデルを訓練し、ビューフォートスケールに基づいて海の状態を自動的に認識する。
  論文  参考訳（メタデータ） (2024-07-04T09:07:25Z)
• A Foundation Model for the Earth System [82.73624748093333]
  我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。 オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
  論文  参考訳（メタデータ） (2024-05-20T14:45:18Z)
• Secure and Efficient Federated Learning in LEO Constellations using Decentralized Key Generation and On-Orbit Model Aggregation [1.4952056744888915]
  本稿では、LEO星座向けに設計されたセキュアFLアプローチであるFedSecureを提案する。 FedSecureは、各衛星のデータのプライバシーを、盗聴者、好奇心の強いサーバー、または好奇心の強い衛星に対して保護する。 また、収束の遅れは数日から数時間に劇的に減少するが、85.35%の精度に達する。
  論文  参考訳（メタデータ） (2023-09-04T21:36:46Z)
• Aeolus Ocean -- A simulation environment for the autonomous COLREG-compliant navigation of Unmanned Surface Vehicles using Deep Reinforcement Learning and Maritime Object Detection [0.0]
  海上部門における無人水上機(USV)の航行自律性は、より安全な水と運用コストの削減につながる可能性がある。 本稿では, 現実的な海洋シミュレーション環境において, COLREG 準拠の DRL を用いた衝突回避航法システムの開発について述べる。
  論文  参考訳（メタデータ） (2023-07-13T11:20:18Z)
• One-Shot Federated Learning for LEO Constellations that Reduces Convergence Time from Days to 90 Minutes [3.096615629099617]
  低軌道 (LEO) の衛星コンステレーションは、多数の小さな衛星が宇宙を旅し、移動度が高い。 フェデレートラーニング(FL)は、生データを送信する必要がなくなり、帯域幅とプライバシに親しみやすいため、有望なアプローチである。 我々はLEOShotと呼ばれるLEO衛星に対して,学習過程全体を完了させるためには,単一の通信ラウンドしか必要としない新しい一発FLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-21T01:57:56Z)
• SeaDroneSim: Simulation of Aerial Images for Detection of Objects Above Water [4.625920569634467]
  無人航空機(UAV)はその高速で多用途で知られている。 我々は、フォトリアリスティックな空中画像データセットを作成するために使用できる新しいベンチマークスイート、textittextbfSeaDroneSimを提案する。 実地画像に71mAPを印加し,BlueROV検出の実現可能性について検討した。
  論文  参考訳（メタデータ） (2022-10-26T21:50:50Z)
• xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture Radar Imagery [52.67592123500567]
  世界の漁業は海洋資源や生態系に大きな脅威をもたらす。 夜間または夜間、全天候下で暗黒船の自動検出が可能となった。 xView3-SARは、Sentinel-1ミッションから得られた1000近い分析可能なSAR画像で構成されている。
  論文  参考訳（メタデータ） (2022-06-02T06:53:45Z)
• 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)
• Deep Learning Aided Routing for Space-Air-Ground Integrated Networks Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
  現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。 大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。 低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:12:10Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)

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。