論文の概要: Real-Time Compressed Sensing for Joint Hyperspectral Image Transmission and Restoration for CubeSat
- arxiv url: http://arxiv.org/abs/2404.15781v1
- Date: Wed, 24 Apr 2024 10:03:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-26 19:30:27.578570
- Title: Real-Time Compressed Sensing for Joint Hyperspectral Image Transmission and Restoration for CubeSat
- Title（参考訳）: 立方体サットの高スペクトル画像伝送と復元のためのリアルタイム圧縮センシング
- Authors: Chih-Chung Hsu, Chih-Yu Jian, Eng-Shen Tu, Chia-Ming Lee, Guan-Lin Chen,
- Abstract要約: 本稿では,軽量で比較的少数のトレーニングサンプルを必要とするリアルタイム圧縮センシングネットワークを提案する。
RTCSネットワークは、必要なトレーニングサンプルを削減し、整数8ベースのエンコーダに簡単に実装できる単純化されたアーキテクチャを備えている。
我々のエンコーダは、ストリップライクなHSIデータ伝送に整数8互換の線形プロジェクションを使用し、リアルタイム圧縮センシングを確実にする。
- 参考スコア（独自算出の注目度）: 9.981107535103687
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper addresses the challenges associated with hyperspectral image (HSI) reconstruction from miniaturized satellites, which often suffer from stripe effects and are computationally resource-limited. We propose a Real-Time Compressed Sensing (RTCS) network designed to be lightweight and require only relatively few training samples for efficient and robust HSI reconstruction in the presence of the stripe effect and under noisy transmission conditions. The RTCS network features a simplified architecture that reduces the required training samples and allows for easy implementation on integer-8-based encoders, facilitating rapid compressed sensing for stripe-like HSI, which exactly matches the moderate design of miniaturized satellites on push broom scanning mechanism. This contrasts optimization-based models that demand high-precision floating-point operations, making them difficult to deploy on edge devices. Our encoder employs an integer-8-compatible linear projection for stripe-like HSI data transmission, ensuring real-time compressed sensing. Furthermore, based on the novel two-streamed architecture, an efficient HSI restoration decoder is proposed for the receiver side, allowing for edge-device reconstruction without needing a sophisticated central server. This is particularly crucial as an increasing number of miniaturized satellites necessitates significant computing resources on the ground station. Extensive experiments validate the superior performance of our approach, offering new and vital capabilities for existing miniaturized satellite systems.
- Abstract（参考訳）: 本稿では、しばしばストライプ効果に悩まされ、計算資源に制限される小型衛星からのハイパースペクトル画像(HSI)再構成に関わる課題に対処する。
本研究は,RTCS(Real-Time Compressed Sensing, リアルタイム圧縮センシング)ネットワークを提案する。
RTCSネットワークは、必要なトレーニングサンプルを削減し、整数8ベースのエンコーダの実装を容易にし、ストリップのような高速な圧縮センシングを可能にした。
これは、高精度浮動小数点演算を必要とする最適化ベースのモデルとは対照的であり、エッジデバイスへのデプロイが困難である。
我々のエンコーダは、ストリップライクなHSIデータ伝送に整数8互換の線形プロジェクションを使用し、リアルタイム圧縮センシングを確実にする。
さらに、新しい2ストリームアーキテクチャに基づいて、レシーバ側で効率的なHSI復元デコーダを提案し、高度な中央サーバを必要とせずにエッジデバイス再構築を可能にする。
これは、地上で重要な計算資源を必要とする小型衛星が増えているため、特に重要である。
大規模な実験により、我々のアプローチの優れた性能が検証され、既存の小型衛星システムに新たな重要な能力を提供する。
関連論文リスト
- Empowering Snapshot Compressive Imaging: Spatial-Spectral State Space Model with Across-Scanning and Local Enhancement [51.557804095896174]
AsLE-SSMという,グローバルな局所的バランスの取れたコンテキストエンコーディングとチャネル間相互作用の促進に空間スペクトルSSMを用いる状態空間モデルを導入する。
実験の結果,ASLE-SSMは既存の最先端手法よりも優れており,推定速度はTransformerベースのMSTより2.4倍速く,パラメータの0.12(M)を節約できることがわかった。
論文 参考訳（メタデータ） (2024-08-01T15:14:10Z) - Sampling-Priors-Augmented Deep Unfolding Network for Robust Video
Compressive Sensing [1.7372440481022124]
本稿では,SPA-DUN(Samping-Priors-Augmented Deep Unfolding Network)を提案する。
最適化にインスパイアされたディープ展開フレームワークでは、軽量で効率的なU-netを使用してモデルを縮小する。
シミュレーションと実データセットの両方の実験により、SPA-DUNは1つのモデルで様々なサンプリング設定に適用可能であるだけでなく、驚くべき効率でSOTAの性能も達成できることが示された。
論文 参考訳（メタデータ） (2023-07-14T12:05:14Z) - A Range-Null Space Decomposition Approach for Fast and Flexible Spectral
Compressive Imaging [31.26101924400667]
圧縮ハイパースペクトル画像(HSI)再構成のための新しいフレームワークであるRND-SCIを提案する。
我々のフレームワークは、再構成されたオブジェクトをレンジスペースとヌルスペースのコンポーネントに分解します。
RND-SCIは設計が単純で、高い解釈性を持つだけでなく、様々なHSI再構成ネットワークにも容易に適用できる。
論文 参考訳（メタデータ） (2023-05-16T18:37:58Z) - SST-ReversibleNet: Reversible-prior-based Spectral-Spatial Transformer
for Efficient Hyperspectral Image Reconstruction [15.233185887461826]
Reversible-prior-based methodと呼ばれる新しいフレームワークが提案されている。
ReversibleNetは、シミュレートされた実HSIデータセットの最先端メソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2023-05-06T14:01:02Z) - 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) - 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) - A New Backbone for Hyperspectral Image Reconstruction [90.48427561874402]
3次元ハイパースペクトル画像(HSI)再構成は、スナップショット圧縮画像の逆過程を指す。
空間/スペクトル不変Residual U-Net、すなわちSSI-ResU-Netを提案する。
SSI-ResU-Net は浮動小数点演算の 77.3% 以上で競合する性能を実現する。
論文 参考訳（メタデータ） (2021-08-17T16:20:51Z) - Towards Compact Single Image Super-Resolution via Contrastive
Self-distillation [47.72815893585127]
畳み込みニューラルネットワーク(CNN)は超解像(SR)に対して高い成功を収めている
本稿では,市販SRモデルの同時圧縮と高速化を目的とした,新しいコントラスト自己蒸留(CSD)フレームワークを提案する。
特に、チャネル分割型超解像ネットワークは、まずターゲットの教師ネットワークからコンパクトな学生ネットワークとして構築することができる。
論文 参考訳（メタデータ） (2021-05-25T05:44:11Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳（メタデータ） (2021-03-15T12:54:26Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z)
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。