論文の概要: Toward Onboard AI-Enabled Solutions to Space Object Detection for Space Sustainability

• arxiv url: http://arxiv.org/abs/2505.01650v1
• Date: Sat, 03 May 2025 01:56:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.215775
• Title: Toward Onboard AI-Enabled Solutions to Space Object Detection for Space Sustainability
• Title（参考訳）: スペースサステナビリティのための宇宙物体検出のための搭載型AIソリューションの実現に向けて
• Authors: Wenxuan Zhang, Peng Hu,
• Abstract要約: 本稿では,空間物体検出のための視覚センサの実現可能性と有効性について検討する。 Squeeze-and-Excitation (SE) 層, Vision Transformer (ViT) および Generalized Efficient Layer Aggregation Network (GELAN) に基づくモデルを導入する。 実験の結果, 提案モデルでは, 結合閾値0.5(mAP50)の交点平均精度が0.751, 結合閾値0.5から0.95(mAP50:95)の交点平均精度が0.280に達することがわかった。
• 参考スコア（独自算出の注目度）: 29.817805350971366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid expansion of advanced low-Earth orbit (LEO) satellites in large constellations is positioning space assets as key to the future, enabling global internet access and relay systems for deep space missions. A solution to the challenge is effective space object detection (SOD) for collision assessment and avoidance. In SOD, an LEO satellite must detect other satellites and objects with high precision and minimal delay. This paper investigates the feasibility and effectiveness of employing vision sensors for SOD tasks based on deep learning (DL) models. It introduces models based on the Squeeze-and-Excitation (SE) layer, Vision Transformer (ViT), and the Generalized Efficient Layer Aggregation Network (GELAN) and evaluates their performance under SOD scenarios. Experimental results show that the proposed models achieve mean average precision at intersection over union threshold 0.5 (mAP50) scores of up to 0.751 and mean average precision averaged over intersection over union thresholds from 0.5 to 0.95 (mAP50:95) scores of up to 0.280. Compared to the baseline GELAN-t model, the proposed GELAN-ViT-SE model increases the average mAP50 from 0.721 to 0.751, improves the mAP50:95 from 0.266 to 0.274, reduces giga floating point operations (GFLOPs) from 7.3 to 5.6, and lowers peak power consumption from 2080.7 mW to 2028.7 mW by 2.5\%.
• Abstract（参考訳）: 大型星座における先進低地球軌道(LEO)衛星の急速な拡張は、宇宙資産を将来の鍵として位置づけており、地球規模のインターネットアクセスと深宇宙ミッションの中継システムを可能にしている。 この課題に対する解決策は、衝突評価と回避のための効果的な宇宙物体検出(SOD)である。 SODでは、LEO衛星は他の衛星や物体を高精度かつ最小限の遅延で検出しなければならない。 本稿では,深層学習(DL)モデルに基づくSODタスクにおける視覚センサの実現可能性と有効性について検討する。 これは、Squeeze-and-Excitation(SE)層、ViT(Vision Transformer)層、GELAN(Generalized Efficient Layer Aggregation Network)層に基づくモデルを導入し、それらの性能をSODシナリオで評価する。 実験の結果, 提案モデルでは, 結合閾値0.5(mAP50)の交点平均精度が0.751, 結合閾値0.5から0.95(mAP50:95)の交点平均精度が0.280に達することがわかった。 GELAN-ViT-SEモデルはベースラインのGELAN-tモデルと比較して平均mAP50を0.721から0.751に引き上げ、mAP50:95を0.266から0.274に改善し、ギガ浮動小数点演算(GFLOP)を7.3から5.6に削減し、ピーク電力消費量を2080.7mWから2.5.7mWに下げる。

関連論文リスト

• YOLO-LLTS: Real-Time Low-Light Traffic Sign Detection via Prior-Guided Enhancement and Multi-Branch Feature Interaction [45.79993863157494]
  YOLO-LLTSは、低照度環境向けに設計されたエンドツーエンドのリアルタイム信号検出アルゴリズムである。 我々は、低照度シナリオにおける不特定小物体の特徴に対処するために、HRFM-TOD(High-Resolution Feature Map for Small Object Detection)モジュールを導入する。 次に,マルチブランチ・フィーチャーインタラクション・アテンション(MFIA)モジュールを開発した。
  論文  参考訳（メタデータ） (2025-03-18T04:28:05Z)
• Foreign-Object Detection in High-Voltage Transmission Line Based on Improved YOLOv8m [19.080692737423693]
  本稿では,伝送路上の異物検出のための改良型YOLOv8mモデルを提案する。 Yunnan Power Gridから収集したデータセット上で実験を行う。
  論文  参考訳（メタデータ） (2025-02-11T01:58:32Z)
• Sensing for Space Safety and Sustainability: A Deep Learning Approach with Vision Transformers [29.817805350971366]
  本稿では,衛星物体検出(SOD)タスクと搭載型ディープラーニング(DL)タスクについて論じる。 GELAN-ViTとGELAN-RepViTと呼ばれる2つの新しいDLモデルが提案されている。 これらのモデルは平均平均精度(mAP)と計算コストにおいて最先端のYOLOv9-tを上回っている。
  論文  参考訳（メタデータ） (2024-12-12T03:51:50Z)
• Fall Detection for Industrial Setups Using YOLOv8 Variants [0.0]
  25.9百万のパラメータと79.1のGFLOPからなるYOLOv8mモデルでは、計算効率と検出性能のバランスが良好であった。 YOLOv8l と YOLOv8x モデルでは精度とリコールが向上したが、その高い計算要求とモデルサイズによりリソース制約のある環境には適さない。
  論文  参考訳（メタデータ） (2024-08-08T17:24:54Z)
• Semantic Segmentation in Satellite Hyperspectral Imagery by Deep Learning [54.094272065609815]
  本稿では1D-Justo-LiuNetという軽量な1D-CNNモデルを提案する。 1D-Justo-LiuNetは、全てのテストモデルの中で最小のモデルサイズ (4,563 パラメータ) を持つ最大精度 (0.93) を達成する。
  論文  参考訳（メタデータ） (2023-10-24T21:57:59Z)
• 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)
• EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
  本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。 我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。 私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
  論文  参考訳（メタデータ） (2023-02-15T06:05:14Z)
• Integrating LEO Satellites and Multi-UAV Reinforcement Learning for Hybrid FSO/RF Non-Terrestrial Networks [55.776497048509185]
  低高度地球軌道衛星(SAT)と無人航空機(UAV)のメガコンステレーションは、第5世代(5G)を超える高速・長距離通信の実現を約束している。 我々は、ミリ波(mmWave)無線周波数(RF)または自由空間光(FSO)リンクを用いて、SATとUAVリレーを介して2つの長距離地上端末間のパケット転送の問題を検討する。
  論文  参考訳（メタデータ） (2020-10-20T09:07:10Z)
• 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。