論文の概要: Lightweight Cloud Masking Models for On-Board Inference in Hyperspectral Imaging

• arxiv url: http://arxiv.org/abs/2507.08052v1
• Date: Thu, 10 Jul 2025 08:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.125875
• Title: Lightweight Cloud Masking Models for On-Board Inference in Hyperspectral Imaging
• Title（参考訳）: ハイパースペクトルイメージングにおけるオンボード推論のための軽量クラウドマスキングモデル
• Authors: Mazen Ali, António Pereira, Fabio Gentile, Aser Cortines, Sam Mugel, Román Orús, Stelios P. Neophytides, Michalis Mavrovouniotis,
• Abstract要約: 雲と雲の影のマスキングは、ハイパースペクトル衛星イメージングにおける重要な前処理ステップである。 本研究では、勾配強化や畳み込みニューラルネットワーク(CNN)など、さまざまな機械学習アプローチを評価する。 機能低下を伴うCNNは最も効率的で、高い精度、低いストレージ要件、高速な推論タイムのバランスを提供する。
• 参考スコア（独自算出の注目度）: 0.6775616141339018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud and cloud shadow masking is a crucial preprocessing step in hyperspectral satellite imaging, enabling the extraction of high-quality, analysis-ready data. This study evaluates various machine learning approaches, including gradient boosting methods such as XGBoost and LightGBM as well as convolutional neural networks (CNNs). All boosting and CNN models achieved accuracies exceeding 93%. Among the investigated models, the CNN with feature reduction emerged as the most efficient, offering a balance of high accuracy, low storage requirements, and rapid inference times on both CPUs and GPUs. Variations of this version, with only up to 597 trainable parameters, demonstrated the best trade-off in terms of deployment feasibility, accuracy, and computational efficiency. These results demonstrate the potential of lightweight artificial intelligence (AI) models for real-time hyperspectral image processing, supporting the development of on-board satellite AI systems for space-based applications.
• Abstract（参考訳）: 雲と雲の影のマスキングは、ハイパースペクトル衛星イメージングにおける重要な前処理ステップであり、高品質で分析可能なデータの抽出を可能にする。 本研究では,XGBoostやLightGBMなどの勾配向上手法や畳み込みニューラルネットワーク(CNN)など,さまざまな機械学習手法を評価する。 ブーピングモデルとCNNモデルはいずれも93%を突破した。 調査されたモデルの中で、機能低下を伴うCNNは最も効率的で、高い精度、ストレージ要件の低い、CPUとGPUの両方で高速な推論時間を提供する。 このバージョンのバリエーションは、最大597個のトレーニング可能なパラメータしか持たず、デプロイメントの実現可能性、精度、計算効率の点で最良のトレードオフを示した。 これらの結果は、リアルタイムハイパースペクトル画像処理のための軽量人工知能(AI)モデルの可能性を示し、宇宙ベースのアプリケーションのための搭載衛星AIシステムの開発を支援する。

関連論文リスト

• Multi-Strategy Improved Snake Optimizer Accelerated CNN-LSTM-Attention-Adaboost for Trajectory Prediction [9.489729227685057]
  本稿では,マルチストラテジー改良型スネークハード最適化(SO)アルゴリズムを取り入れたハイブリッドCNN-LSTM-attention-adaboostニューラルネットワークモデルを提案する。 その結果,SO-adaboostは粒子群,クジラ,オオカミなどの従来のCLAよりも大規模な高次元軌道データの処理に優れていた。 さらに、フルストラテジー協調改善SOアルゴリズムの導入により、モデルの予測精度は39.89%向上した。
  論文  参考訳（メタデータ） (2025-07-21T17:44:06Z)
• LAID: Lightweight AI-Generated Image Detection in Spatial and Spectral Domains [6.676901499867856]
  現在の最先端AIGI検出方法は、大規模で深いニューラルネットワークアーキテクチャに依存している。 我々は、市販軽量ニューラルネットワークの検知性能と効率をベンチマークし、評価する最初のフレームワークであるLAIDを紹介する。 本研究は, 競合条件下であっても, 軽量モデルが競合精度を達成できることを実証する。
  論文  参考訳（メタデータ） (2025-07-07T16:18:19Z)
• Efficient FPGA-accelerated Convolutional Neural Networks for Cloud Detection on CubeSats [0.5420492913071214]
  資源制約付きCubeSatミッションにおけるクラウド検出のためのFPGA加速畳み込みニューラルネットワーク(CNN)モデルの実装について述べる。 本研究では,ピクセルワイド(Pixel-NetとPatch-Net)と画像ワイド(U-NetとScene-Net)の両方のモデルを用いて,精度,レイテンシ,モデル複雑性のトレードオフをベンチマークする。 全てのモデルはFPGA後の高精度な統合を保ち、量子化とプルーニング後に最大精度がわずか0.6%低下した。
  論文  参考訳（メタデータ） (2025-04-04T19:32:47Z)
• Masked Autoencoders Are Effective Tokenizers for Diffusion Models [56.08109308294133]
  MAETokは自己エンコーダであり、再構築の忠実さを維持しながら意味的にリッチな潜在空間を学習する。 MaETokは1.69のgFIDで76倍高速トレーニングが可能で、512x512世代で31倍高い推論スループットを実現している。
  論文  参考訳（メタデータ） (2025-02-05T18:42:04Z)
• Hyperspectral Images Efficient Spatial and Spectral non-Linear Model with Bidirectional Feature Learning [7.06787067270941]
  本稿では,分類精度を高めつつ,データ量を大幅に削減する新しいフレームワークを提案する。 本モデルでは,空間特徴解析のための特殊ブロックによって補完されるスペクトル特徴を効率よく抽出するために,双方向逆畳み込みニューラルネットワーク(CNN)を用いる。
  論文  参考訳（メタデータ） (2024-11-29T23:32:26Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Edge-Cloud Collaborative Satellite Image Analysis for Efficient Man-Made Structure Recognition [2.110762118285028]
  本稿では,エッジとクラウドコンピューティングを組み合わせた新しい衛星画像処理アーキテクチャを提案する。 エッジに軽量モデルを採用することで、当初は衛星画像から人造構造を特定できる。 これらの識別された画像はクラウドに送信され、より複雑なモデルによって分類が洗練される。
  論文  参考訳（メタデータ） (2024-10-08T03:31:32Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• Benchmarking Deep Learning Models on NVIDIA Jetson Nano for Real-Time Systems: An Empirical Investigation [2.3636539018632616]
  この研究は、複雑なディープラーニングモデルの最適化を実証的に研究し、組み込みデバイス上で機能を分析する。 画像分類と映像行動検出のための推論速度の観点から最適化されたモデルの有効性を評価する。
  論文  参考訳（メタデータ） (2024-06-25T17:34:52Z)
• A-SDM: Accelerating Stable Diffusion through Redundancy Removal and Performance Optimization [54.113083217869516]
  本研究ではまず,ネットワークの計算冗長性について検討する。 次に、モデルの冗長性ブロックをプルークし、ネットワーク性能を維持する。 第3に,計算集約型注意部を高速化するグローバル地域対話型注意(GRI)を提案する。
  論文  参考訳（メタデータ） (2023-12-24T15:37:47Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)

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。