Fugu-MT 論文翻訳(概要): Demonstrating Onboard Inference for Earth Science Applications with Spectral Analysis Algorithms and Deep Learning

論文の概要: Demonstrating Onboard Inference for Earth Science Applications with Spectral Analysis Algorithms and Deep Learning

arxiv url: http://arxiv.org/abs/2508.15053v1
Date: Wed, 20 Aug 2025 20:37:31 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-22 16:26:46.089728
Title: Demonstrating Onboard Inference for Earth Science Applications with Spectral Analysis Algorithms and Deep Learning
Title（参考訳）: スペクトル解析アルゴリズムとディープラーニングを用いた地球科学応用のためのオンボード推論の実証
Authors: Itai Zilberstein, Alberto Candela, Steve Chien, David Rijlaarsdam, Tom Hendrix, Leonie Buckley, Aubrey Dunne,
Abstract要約: CS-6は可視・近赤外域ハイパースペクトル計とニューラルネットワークアクセラレーションハードウェアを備えた衛星である。深層学習およびスペクトル解析アルゴリズムを用いて,CS-6上でのデータ解析と推論を行う。
参考スコア（独自算出の注目度）: 3.7735391067562434
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In partnership with Ubotica Technologies, the Jet Propulsion Laboratory is demonstrating state-of-the-art data analysis onboard CogniSAT-6/HAMMER (CS-6). CS-6 is a satellite with a visible and near infrared range hyperspectral instrument and neural network acceleration hardware. Performing data analysis at the edge (e.g. onboard) can enable new Earth science measurements and responses. We will demonstrate data analysis and inference onboard CS-6 for numerous applications using deep learning and spectral analysis algorithms.
Abstract（参考訳）: Ubotica Technologiesと共同で、Jet Propulsion LaboratoryはCogniSAT-6/HAMMER (CS-6)上で最先端のデータ分析を実証している。 CS-6は可視・近赤外域ハイパースペクトル計とニューラルネットワークアクセラレーションハードウェアを備えた衛星である。エッジ(例えばオンボード)でデータ解析を行うことで、新しい地球科学測定と応答が可能になる。深層学習およびスペクトル解析アルゴリズムを用いて,CS-6上でのデータ解析と推論を行う。

関連論文リスト

Hyperspectral Dataset and Deep Learning methods for Waste from Electric and Electronic Equipment Identification (WEEE) [0.0]
ハイパースペクトル画像分割のための多種多様なディープラーニングアーキテクチャの性能を評価する。その結果,空間情報をスペクトルデータと組み合わせることで,セグメンテーション結果が改善された。我々は、Tecnalia WEEE Hyperspectralデータセットのクリーニングと公開によって、この分野に貢献する。
論文参考訳（メタデータ） (2024-07-05T13:45:11Z)
An Ensemble Framework for Explainable Geospatial Machine Learning Models [16.010404125829876]
GeoShapleyメソッドは、機械学習(ML)とShapley値を統合し、地理的特徴の寄与を説明する。ここでは,このギャップを埋めるために,局所空間重み付け方式をXAIとML技術と組み合わせるためのアンサンブルフレームワークを提案する。このフレームワークは地理的回帰と分類の両方で機能し、複雑な空間現象を理解するための新しいアプローチを提供する。
論文参考訳（メタデータ） (2024-03-05T21:12:10Z)
Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文参考訳（メタデータ） (2022-01-07T22:26:33Z)
The Preliminary Results on Analysis of TAIGA-IACT Images Using Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。 The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文参考訳（メタデータ） (2021-12-19T15:17:20Z)
GalaxAI: Machine learning toolbox for interpretable analysis of spacecraft telemetry data [48.42042893355919]
GalaxAIは、宇宙船のテレメトリデータを分析するための汎用的な機械学習ツールボックスである。多変量時系列解析、分類、回帰、構造化出力予測に様々な機械学習アルゴリズムを使用している。本稿では,2つの異なる宇宙船に関する2つのユースケースにおいて,GalaxAIの有用性と汎用性を示す。
論文参考訳（メタデータ） (2021-08-03T10:45:20Z)
SA-Net: A deep spectral analysis network for image clustering [31.334196673143257]
教師なし表現学習と画像クラスタリングのためのディープスペクトル解析ネットワークを提案する。 SA-Netは、深層表現を学習し、データサンプル間の深い相関を明らかにする能力を持っている。提案するSA-Netは、多数の画像クラスタリングアプリケーションで11のベンチマークを上回ります。
論文参考訳（メタデータ） (2020-09-11T05:27:23Z)
Spectral Analysis Network for Deep Representation Learning and Image Clustering [53.415803942270685]
本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
論文参考訳（メタデータ） (2020-09-11T05:07:15Z)
Graph signal processing for machine learning: A review and new perspectives [57.285378618394624]
本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
論文参考訳（メタデータ） (2020-07-31T13:21:33Z)
A Novel Spatial-Spectral Framework for the Classification of Hyperspectral Satellite Imagery [1.066048003460524]
本研究では,土地被覆分類データに含まれるスペクトル情報と空間情報の両方を考慮に入れた新しい枠組みを提案する。提案手法は,パヴィア大学とインド・パインズのデータセットでそれぞれ99.52%,98.31%の精度を達成し,従来の手法よりも優れている。
論文参考訳（メタデータ） (2020-07-22T16:12:08Z)
Bridging the Gap between Spatial and Spectral Domains: A Survey on Graph Neural Networks [52.76042362922247]
グラフニューラルネットワーク(GNN)は、非ユークリッドグラフ構造を扱うように設計されている。既存のGNNは様々な手法を用いて提示され、直接比較と相互参照がより複雑になる。既存のGNNを空間およびスペクトル領域に整理し、各領域内の接続を公開する。
論文参考訳（メタデータ） (2020-02-27T01:15:10Z)

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。