論文の概要: Rapid Distributed Fine-tuning of a Segmentation Model Onboard Satellites
- arxiv url: http://arxiv.org/abs/2411.17831v1
- Date: Tue, 26 Nov 2024 19:11:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-28 15:27:32.069638
- Title: Rapid Distributed Fine-tuning of a Segmentation Model Onboard Satellites
- Title(参考訳): 衛星搭載セグメンテーションモデルの高速分散微調整
- Authors: Meghan Plumridge, Rasmus Maråk, Chiara Ceccobello, Pablo Gómez, Gabriele Meoni, Filip Svoboda, Nicholas D. Lane,
- Abstract要約: 本研究は、Unibap iX10-100衛星ハードウェアに搭載された、軽量で事前訓練されたセグメンテーションモデルであるMobileSAMを用いた概念実証を行う。
本研究は,災害に迅速に対応し,複数の衛星上での微調整型MobileSAMの分散化の可能性について検討する。
- 参考スコア(独自算出の注目度): 13.235981880457125
- License:
- Abstract: Segmentation of Earth observation (EO) satellite data is critical for natural hazard analysis and disaster response. However, processing EO data at ground stations introduces delays due to data transmission bottlenecks and communication windows. Using segmentation models capable of near-real-time data analysis onboard satellites can therefore improve response times. This study presents a proof-of-concept using MobileSAM, a lightweight, pre-trained segmentation model, onboard Unibap iX10-100 satellite hardware. We demonstrate the segmentation of water bodies from Sentinel-2 satellite imagery and integrate MobileSAM with PASEOS, an open-source Python module that simulates satellite operations. This integration allows us to evaluate MobileSAM's performance under simulated conditions of a satellite constellation. Our research investigates the potential of fine-tuning MobileSAM in a decentralised way onboard multiple satellites in rapid response to a disaster. Our findings show that MobileSAM can be rapidly fine-tuned and benefits from decentralised learning, considering the constraints imposed by the simulated orbital environment. We observe improvements in segmentation performance with minimal training data and fast fine-tuning when satellites frequently communicate model updates. This study contributes to the field of onboard AI by emphasising the benefits of decentralised learning and fine-tuning pre-trained models for rapid response scenarios. Our work builds on recent related research at a critical time; as extreme weather events increase in frequency and magnitude, rapid response with onboard data analysis is essential.
- Abstract(参考訳): 地球観測(EO)衛星データのセグメンテーションは、自然災害分析と災害対応に重要である。
しかし,地上局でのEOデータ処理には,データ転送ボトルネックや通信窓による遅延が発生する。
衛星上のほぼリアルタイムのデータ解析が可能なセグメンテーションモデルを使用することで、応答時間を改善することができる。
本研究は、Unibap iX10-100衛星ハードウェアに搭載された、軽量で事前訓練されたセグメンテーションモデルであるMobileSAMを用いた概念実証を行う。
我々は,Sentinel-2衛星画像からの水域のセグメンテーションを実証し,衛星操作をシミュレートしたオープンソースのPythonモジュールであるPASEOSとMobileSAMを統合した。
この統合により、衛星コンステレーションのシミュレーション条件下でのMobileSAMの性能を評価することができる。
本研究は,災害に迅速に対応し,複数の衛星上での微調整型MobileSAMの分散化の可能性について検討する。
この結果から,MobileSAMは,シミュレーション軌道環境に課される制約を考慮し,高速に微調整が可能であり,分散学習の恩恵を受けることが示唆された。
衛星が頻繁にモデル更新を行う場合、最小限のトレーニングデータと高速な微調整によるセグメンテーション性能の改善を観察する。
この研究は、分散学習の利点と迅速な応答シナリオのための微調整事前学習モデルの利点を強調することで、オンボードAIの分野に寄与する。
極度の気象事象の頻度と規模が増加するにつれ、オンボードデータ解析による迅速な対応が不可欠である。
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) - 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) - Cooperative Federated Learning over Ground-to-Satellite Integrated
Networks: Joint Local Computation and Data Offloading [33.44828515877944]
本稿では,遠隔地における機械学習サービス管理を容易にするために,地域間協調学習(FL)手法を提案する。
本手法は、FL中に以下の重要な機能を提供するために衛星星座を編成する。
本手法は地上のみの衛星ベースラインアプローチと比べ,FLの収束を著しく早めることができることを示す。
論文 参考訳(メタデータ) (2023-12-23T22:09:31Z) - 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) - 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) - Fast model inference and training on-board of Satellites [16.93335252280199]
本研究は、D-OrbitのION SCV004衛星上に、RaVAEnと呼ばれる軽量の基礎モデルを展開する。
RaVAEnは小さな画像タイルから圧縮潜在ベクトルを生成し、いくつかの下流タスクを可能にする。
論文 参考訳(メタデータ) (2023-07-17T17:59:09Z) - 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) - 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) - 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) - 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) - Integrating LEO Satellite and UAV Relaying via Reinforcement Learning
for Non-Terrestrial Networks [51.05735925326235]
低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。
軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。
エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。
本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
論文 参考訳(メタデータ) (2020-05-26T05:39:27Z)
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。