論文の概要: Mission Critical -- Satellite Data is a Distinct Modality in Machine
Learning
- arxiv url: http://arxiv.org/abs/2402.01444v1
- Date: Fri, 2 Feb 2024 14:36:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-05 15:04:53.169194
- Title: Mission Critical -- Satellite Data is a Distinct Modality in Machine
Learning
- Title(参考訳): ミッションクリティカル -- 衛星データは機械学習において異なるモダリティである
- Authors: Esther Rolf, Konstantin Klemmer, Caleb Robinson, Hannah Kerner
- Abstract要約: 衛星データには、機械学習に地震的な変化をもたらす可能性がある。
我々は、衛星データが機械学習研究の明確なモダリティとなっていると論じる。
- 参考スコア(独自算出の注目度): 14.375949319802338
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Satellite data has the potential to inspire a seismic shift for machine
learning -- one in which we rethink existing practices designed for traditional
data modalities. As machine learning for satellite data (SatML) gains traction
for its real-world impact, our field is at a crossroads. We can either continue
applying ill-suited approaches, or we can initiate a new research agenda that
centers around the unique characteristics and challenges of satellite data.
This position paper argues that satellite data constitutes a distinct modality
for machine learning research and that we must recognize it as such to advance
the quality and impact of SatML research across theory, methods, and
deployment. We outline critical discussion questions and actionable suggestions
to transform SatML from merely an intriguing application area to a dedicated
research discipline that helps move the needle on big challenges for machine
learning and society.
- Abstract(参考訳): 衛星データには、機械学習の耐震変化を引き起こす可能性があり、従来のデータモダリティのために設計された既存のプラクティスを再考する。
サテライトデータ(SatML)の機械学習は、現実世界の影響で勢いを増し、私たちの分野はクロスロードにあります。
我々は、不適切なアプローチを継続するか、衛星データの特徴と課題に焦点を絞った新たな研究アジェンダを開始することができる。
本稿では,サテライトデータは機械学習研究の異なるモダリティであり,理論,手法,展開におけるsatml研究の質と影響を前進させるものとして認識する必要があることを論じる。
我々は,satmlを単なる興味をそそる応用分野から,機械学習と社会の大きな課題に取り組むための専門的な研究分野へ転換するための,重要な議論質問と行動可能な提案について概説する。
関連論文リスト
- Enhancing Maritime Situational Awareness through End-to-End Onboard Raw Data Analysis [4.441792803766689]
本研究は、小型衛星の厳密な帯域幅、エネルギー、遅延制約に対処する枠組みを提案する。
衛星画像からの船舶の直接検出・分類における深層学習手法の適用について検討した。
本手法は,車載処理チェーンの簡素化により,キャリブレーションや整形などの計算集約的なステップを必要とせず,直接解析を容易にする。
論文 参考訳(メタデータ) (2024-11-05T18:38:42Z) - On-Air Deep Learning Integrated Semantic Inference Models for Enhanced Earth Observation Satellite Networks [28.69148416385582]
ドメイン適応型大規模言語モデル(LLM)は、生および処理されたEOデータの統合を可能にするソリューションを提供する。
本研究は,高度EOシステムにおける意味推論と深層学習の徹底的な検討を行う。
データ伝送効率を向上させるために設計されたEO衛星ネットワークにおけるセマンティック通信のための革新的なアーキテクチャを提供する。
論文 参考訳(メタデータ) (2024-09-23T17:42:05Z) - Trends, Advancements and Challenges in Intelligent Optimization in Satellite Communication [11.400634353240484]
本稿では、衛星通信のインテリジェントな最適化分野における現在の研究の概要について述べる。
テキストマイニングに基づく文献レビューを行い,本論文を数学的にクラスタ化し分析した。
論文 参考訳(メタデータ) (2024-09-17T08:01:11Z) - Reinforcement Learning-enabled Satellite Constellation Reconfiguration and Retasking for Mission-Critical Applications [10.652828373995519]
衛星故障が星座性能と関連するタスク要求に与える影響を批判的に評価する。
本稿では、強化学習(RL)技術、特にQ学習、ポリシーグラディエント、ディープQネットワーク(DQN)、およびPPOを紹介する。
その結果, DQNとPPOは, 平均報酬, タスク完了率, 応答時間で有効な結果が得られることを示した。
論文 参考訳(メタデータ) (2024-09-03T20:01:56Z) - A Distance Similarity-based Genetic Optimization Algorithm for Satellite Ground Network Planning Considering Feeding Mode [53.71516191515285]
衛星データ中継ミッションの送信効率の低さは、現在システムの構築を制約している問題となっている。
本研究では,タスク間の状態特性を考慮した距離類似性に基づく遺伝的最適化アルゴリズム(DSGA)を提案し,タスク間の類似性を決定するための重み付きユークリッド距離法を提案する。
論文 参考訳(メタデータ) (2024-08-29T06:57:45Z) - Heterogeneity: An Open Challenge for Federated On-board Machine Learning [2.519319150166215]
本稿では,フェデレーテッド・ラーニングにおけるクロスプロデューサ・ユース・ケースの文脈における課題の体系的レビューを行う。
このようなアプリケーションは、そのようなシステムの異質性から主に生じるフェデレートラーニングパラダイムに、さらなる課題を提示します。
論文 参考訳(メタデータ) (2024-08-13T13:56:17Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳(メタデータ) (2022-09-28T18:51:59Z) - 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) - SustainBench: Benchmarks for Monitoring the Sustainable Development
Goals with Machine Learning [63.192289553021816]
国連持続可能な開発目標の進展は、主要な環境・社会経済指標のデータ不足によって妨げられている。
近年の機械学習の進歩により、衛星やソーシャルメディアなど、豊富な、頻繁に更新され、グローバルに利用可能なデータを活用することが可能になった。
本稿では,7個のSDGにまたがる15個のベンチマークタスクの集合であるSustainBenchを紹介する。
論文 参考訳(メタデータ) (2021-11-08T18:59:04Z) - Batch Exploration with Examples for Scalable Robotic Reinforcement
Learning [63.552788688544254]
BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。
BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
論文 参考訳(メタデータ) (2020-10-22T17:49:25Z) - Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial
Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。
RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。
本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文 参考訳(メタデータ) (2020-07-27T17:46:59Z)
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。