論文の概要: Efficient SAR Vessel Detection for FPGA-Based On-Satellite Sensing

• arxiv url: http://arxiv.org/abs/2507.04842v1
• Date: Mon, 07 Jul 2025 10:03:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.371545
• Title: Efficient SAR Vessel Detection for FPGA-Based On-Satellite Sensing
• Title（参考訳）: FPGAを用いたオンサテライトセンシングのための効率的なSAR容器検出
• Authors: Colin Laganier, Liam Fletcher, Elim Kwan, Richard Walters, Victoria Nockles,
• Abstract要約: 我々は,共通衛星電力制約(10W)内でFPGAベースの処理に特化して最適化されたYOLOv8アーキテクチャを用いて,新しい効率的で高性能なSAR容器検出モデルを開発し,展開する。 検出・分類性能は,2～3桁の規模で,最先端のGPUベースモデルよりわずか2%,3%低かった。 この研究は、より自律的で応答性があり、スケーラブルな地球観測システムを実現するための、時間クリティカルなSAR分析のための、小型で高性能なMLモデルを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid analysis of satellite data is vital for many remote sensing applications, from disaster response to environmental monitoring, but is becoming harder to achieve with the increasing volumes of data generated by modern satellites. On-satellite machine learning (ML) offers a potential solution, by reducing latency associated with transmission of these large data volumes to ground stations, but state-of-the-art models are often too large or power-hungry for satellite deployment. Vessel detection using Synthetic Aperture Radar (SAR) is a critical time-sensitive task for maritime security that exemplifies this challenge. SAR vessel detection has previously been demonstrated only by ML models that either are too large for satellite deployment, have not been developed for sufficiently low-power hardware, or have only been developed and tested on small SAR datasets that do not sufficiently represent the real-world task. Here we address this issue by developing and deploying a new efficient and highly performant SAR vessel detection model, using a customised YOLOv8 architecture specifically optimized for FPGA-based processing within common satellite power constraints (<10W). We train and evaluate our model on the largest and most diverse open SAR vessel dataset, xView3-SAR, and deploy it on a Kria KV260 MPSoC. We show that our FPGA-based model has detection and classification performance only ~2% and 3% lower than values from state-of-the-art GPU-based models, despite being two to three orders of magnitude smaller in size. This work demonstrates small yet highly performant ML models for time-critical SAR analysis, paving the way for more autonomous, responsive, and scalable Earth observation systems.
• Abstract（参考訳）: 衛星データの迅速分析は、災害対応から環境監視まで、多くのリモートセンシングアプリケーションにとって不可欠であるが、現代の衛星が生み出すデータ量の増加によって達成が困難になっている。 オンサテライト機械学習(ML)は、これらの大規模なデータボリュームの地上局への送信に伴うレイテンシを低減することで、潜在的な解決策を提供する。 SAR(Synthetic Aperture Radar)を用いた容器検出は、この課題を実証する海洋セキュリティにとって重要な時間依存性タスクである。 SARの容器検出は、衛星配備には大きすぎるか、十分な低消費電力のハードウェアのために開発されていないか、あるいは現実世界のタスクを十分に表現していない小さなSARデータセットでのみ開発およびテストされているMLモデルによってのみ実証されている。 本稿では、衛星電力制約(10W)内でFPGAベースの処理に特化して最適化されたYOLOv8アーキテクチャを用いて、新しい効率的で高性能なSAR容器検出モデルの開発と展開により、この問題に対処する。 我々は、最大かつ最も多様なオープンSARコンテナデータセットであるxView3-SARでモデルをトレーニングし、評価し、Kria KV260 MPSoCにデプロイします。 FPGAベースのモデルでは,2～3桁の精度で検出・分類性能は,最先端のGPUベースモデルよりわずかに2%,3%低く抑えられている。 この研究は、より自律的で応答性があり、スケーラブルな地球観測システムを実現するための、時間クリティカルなSAR分析のための、小型で高性能なMLモデルを実証する。

関連論文リスト

• SAR Object Detection with Self-Supervised Pretraining and Curriculum-Aware Sampling [41.24071764578782]
  衛星搭載合成開口レーダ画像における物体検出は、都市モニタリングや災害対応といったタスクにおいて大きな可能性を秘めている。 衛星搭載SAR画像における小さな物体の検出は、比較的低い空間分解能と固有のノイズのため、特に複雑な問題を引き起こす。 本稿では,SARオブジェクト検出モデルであるTransARを紹介する。
  論文  参考訳（メタデータ） (2025-04-17T19:44:05Z)
• 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)
• Infrared Small Target Detection in Satellite Videos: A New Dataset and A Novel Recurrent Feature Refinement Framework [28.777999462705516]
  IRSatVideo-LEOは、合成された衛星の動き、ターゲットの外観、軌道、強度を備えたセミシミュレートされたデータセットである。 RFRは、長期の時間的依存性を悪用するための、既存の強力なCNNベースの手法を備えることが提案されている。
  論文  参考訳（メタデータ） (2024-09-19T03:58:32Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• 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)
• 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)
• Taurus: A Data Plane Architecture for Per-Packet ML [59.1343317736213]
  本稿では,線数推論のためのデータプレーンであるTaurusの設計と実装について述べる。 Taurus スイッチ ASIC の評価は,Taurus がサーバベースコントロールプレーンよりも桁違いに高速に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-12T09:18:36Z)

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。