論文の概要: Low-power Ship Detection in Satellite Images Using Neuromorphic Hardware

• arxiv url: http://arxiv.org/abs/2406.11319v1
• Date: Mon, 17 Jun 2024 08:36:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 15:41:08.160263
• Title: Low-power Ship Detection in Satellite Images Using Neuromorphic Hardware
• Title（参考訳）: ニューロモルフィックハードウェアを用いた衛星画像の低出力船舶検出
• Authors: Gregor Lenz, Douglas McLelland,
• Abstract要約: オンボードのデータ処理は、船を識別し、地上に送られるデータの量を削減できる。 船上で撮影されたほとんどの画像は水域や陸地のみを含み、エアバス船検出データセットでは船を含む画像の22.1%しか示していない。 1つの複雑なモデルに頼るのではなく、パフォーマンスを最適化する低消費電力2段階システムを構築した。
• 参考スコア（独自算出の注目度）: 1.4330085996657045
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Transmitting Earth observation image data from satellites to ground stations incurs significant costs in terms of power and bandwidth. For maritime ship detection, on-board data processing can identify ships and reduce the amount of data sent to the ground. However, most images captured on board contain only bodies of water or land, with the Airbus Ship Detection dataset showing only 22.1\% of images containing ships. We designed a low-power, two-stage system to optimize performance instead of relying on a single complex model. The first stage is a lightweight binary classifier that acts as a gating mechanism to detect the presence of ships. This stage runs on Brainchip's Akida 1.0, which leverages activation sparsity to minimize dynamic power consumption. The second stage employs a YOLOv5 object detection model to identify the location and size of ships. This approach achieves a mean Average Precision (mAP) of 76.9\%, which increases to 79.3\% when evaluated solely on images containing ships, by reducing false positives. Additionally, we calculated that evaluating the full validation set on a NVIDIA Jetson Nano device requires 111.4 kJ of energy. Our two-stage system reduces this energy consumption to 27.3 kJ, which is less than a fourth, demonstrating the efficiency of a heterogeneous computing system.
• Abstract（参考訳）: 地球観測画像を衛星から地上局に送信すると、電力と帯域幅の面でかなりのコストがかかる。 海上船の検出では、船上のデータ処理が船を識別し、地上に送られるデータの量を削減できる。 しかし、船上で撮影されたほとんどの画像は水域や陸地のみを含んでおり、エアバス・シップ・インテクションのデータセットでは船を含む画像の22.1 %しか示されていない。 1つの複雑なモデルに頼るのではなく、パフォーマンスを最適化する低消費電力2段階システムを構築した。 第1段階は、船の存在を検出するためのゲーティング機構として機能する軽量のバイナリ分類器である。 このステージはBrainchipのAkida 1.0上で動作する。 第2段階では、船の位置と大きさを特定するために、YOLOv5オブジェクト検出モデルを採用している。 このアプローチは、偽陽性を減らし、船を含む画像に対してのみ評価すると、平均平均精度76.9\%に達する平均精度(mAP)を達成する。 さらに,NVIDIA Jetson Nanoデバイス上での完全検証は,111.4kJのエネルギーを必要とすることを計算した。 我々の2段階のシステムは、このエネルギー消費を27.3kJに削減し、これは4分の1以下であり、異種コンピューティングシステムの効率を実証している。

関連論文リスト

• Deep Transformer Network for Monocular Pose Estimation of Ship-Based UAV [0.23408308015481663]
  トランスフォーマーニューラルネットワークモデルは、2Dキーポイントを検出し、各部分の6Dポーズを推定するように訓練される。 この手法は、船舶による無人無人無人航空機の着陸と航行に応用できる可能性がある。
  論文  参考訳（メタデータ） (2024-06-13T16:01:22Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Weakly-Supervised Semantic Segmentation of Ships Using Thermal Imagery [9.01037793978146]
  赤外線カメラとディープラーニングに基づくアルゴリズムを備えた無人航空機(UAV)は、関心のある物体を識別し、分類するための効率的な代替手段である。 これらのアルゴリズムをトレーニングするための標準的なアプローチは、高密度にラベル付けされた赤外線海洋画像の大規模なデータセットを必要とする。 本研究では、赤外線画像における船のセグメンテーションの文脈において、少ないラベル付きデータによるアルゴリズムの弱い監督により、データラベリングコストを大幅に削減できることを実証する。
  論文  参考訳（メタデータ） (2022-12-26T14:20:32Z)
• Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
  本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。 OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。 我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
  論文  参考訳（メタデータ） (2022-12-26T12:49:47Z)
• Optimizing ship detection efficiency in SAR images [12.829941550630776]
  船舶検出の速度と計算コストは、違法な漁獲を防ぐための時間的介入に不可欠である。 衛星画像のデータセットを用いて,畳み込みニューラルネットワーク(CNN)に基づく物体検出モデルを訓練した。 分類モデルを用いて、検出モデルの平均精度を44%で99.5%、25%で92.7%に近似できることを示した。
  論文  参考訳（メタデータ） (2022-12-12T12:04:10Z)
• MTU-Net: Multi-level TransUNet for Space-based Infrared Tiny Ship Detection [42.92798053154314]
  我々は,48個の空間ベースの赤外線画像と17598ピクセルレベルの小型船舶アノテーションを用いた,宇宙ベースの小型船舶検出データセット(NUDT-SIRST-Sea)を開発した。 このような挑戦的な場面におけるこれらの小型船の極端な特性を考慮すると、本稿ではマルチレベルトランスUNet(MTU-Net)を提案する。 NUDT-SIRST-Seaデータセットによる実験結果から,MTU-Netは従来の深層学習に基づくSIRST法よりも検出率,誤警報率,結合上の交叉率の点で優れていた。
  論文  参考訳（メタデータ） (2022-09-28T00:48:14Z)
• 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)
• SALISA: Saliency-based Input Sampling for Efficient Video Object Detection [58.22508131162269]
  ビデオオブジェクト検出のための新しい一様SALiencyベースの入力SAmpling技術であるSALISAを提案する。 SALISAは小物体の検出を著しく改善することを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:51Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
  ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。 Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
  論文  参考訳（メタデータ） (2020-02-10T15:25:19Z)

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。