論文の概要: Fast-SEnSeI: Lightweight Sensor-Independent Cloud Masking for On-board Multispectral Sensors

• arxiv url: http://arxiv.org/abs/2509.20991v1
• Date: Thu, 25 Sep 2025 10:40:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.846786
• Title: Fast-SEnSeI: Lightweight Sensor-Independent Cloud Masking for On-board Multispectral Sensors
• Title（参考訳）: Fast-SEnSeI:オンボードマルチスペクトルセンサのための軽量センサ非依存クラウドマスキング
• Authors: Jan Kněžík, Jonáš Herec, Rado Pitoňák,
• Abstract要約: Fast-SEnSeIは、センサーに依存しないエンコーダモジュールで、マルチスペクトルセンサー間で柔軟でオンボードのクラウドセグメンテーションを可能にする。 スペクトルバンドとその波長の任意の組み合わせを受け入れ、コンパクトで量子化されたセグメンテーションモデルに供給する固定サイズの特徴写像を生成する。 Sentinel-2とLandsat 8データセットの評価では、多様な入力構成の正確なセグメンテーションが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cloud segmentation is a critical preprocessing step for many Earth observation tasks, yet most models are tightly coupled to specific sensor configurations and rely on ground-based processing. In this work, we propose Fast-SEnSeI, a lightweight, sensor-independent encoder module that enables flexible, on-board cloud segmentation across multispectral sensors with varying band configurations. Building upon SEnSeI-v2, Fast-SEnSeI integrates an improved spectral descriptor, lightweight architecture, and robust padding-band handling. It accepts arbitrary combinations of spectral bands and their wavelengths, producing fixed-size feature maps that feed into a compact, quantized segmentation model based on a modified U-Net. The module runs efficiently on embedded CPUs using Apache TVM, while the segmentation model is deployed on FPGA, forming a CPU-FPGA hybrid pipeline suitable for space-qualified hardware. Evaluations on Sentinel-2 and Landsat 8 datasets demonstrate accurate segmentation across diverse input configurations.
• Abstract（参考訳）: クラウドセグメンテーションは多くの地球観測タスクにおいて重要な前処理ステップであるが、ほとんどのモデルは特定のセンサー構成と密結合しており、地上ベースの処理に依存している。 本研究では,センサに依存しない軽量エンコーダモジュールであるFast-SEnSeIを提案する。 SenSeI-v2上に構築されたFast-SEnSeIは、改良されたスペクトル記述子、軽量アーキテクチャ、堅牢なパディングバンドハンドリングを統合する。 スペクトルバンドとその波長の任意の組み合わせを受け入れ、修正されたU-Netに基づくコンパクトで量子化されたセグメンテーションモデルにフィードする固定サイズの特徴写像を生成する。 モジュールはApache TVMを使用して組み込みCPU上で効率的に動作し、セグメンテーションモデルはFPGA上に展開され、空間品質のハードウェアに適したCPU-FPGAハイブリッドパイプラインを形成する。 Sentinel-2とLandsat 8データセットの評価では、多様な入力構成の正確なセグメンテーションが示されている。

関連論文リスト

• MSA2-Net: Utilizing Self-Adaptive Convolution Module to Extract Multi-Scale Information in Medical Image Segmentation [31.007198872745892]
  自己適応型畳み込みモジュールは、異なるデータセットのユニークな指紋に依存する畳み込みカーネルのサイズを動的に調整する。 モジュールは、MSA2-Netの2つの重要なコンポーネント、Multi-Scale Convolution BridgeとMulti-Scale Amalgamation Decoderに戦略的に統合されている。
  論文  参考訳（メタデータ） (2025-09-01T14:19:15Z)
• Mobile-Seed: Joint Semantic Segmentation and Boundary Detection for Mobile Robots [17.90723909170376]
  セマンティックセグメンテーションと境界検出を同時に行う軽量なフレームワークであるMobile-Seedを紹介する。 我々のフレームワークは、2ストリームエンコーダ、アクティブフュージョンデコーダ(AFD)、デュアルタスク正規化アプローチを備えている。 Cityscapesデータセットの実験によると、Mobile-Seedは最先端(SOTA)ベースラインよりも顕著に改善されている。
  論文  参考訳（メタデータ） (2023-11-21T14:53:02Z)
• SegViTv2: Exploring Efficient and Continual Semantic Segmentation with Plain Vision Transformers [76.13755422671822]
  本稿では,エンコーダ・デコーダ・フレームワークを用いた意味的セグメンテーションのためのプレーンビジョン変換器(ViT)の能力について検討する。 Intention-to-Mask(atm)モジュールを導入し、平易なViTに有効な軽量デコーダを設計する。 我々のデコーダは、様々なViTバックボーンを使用して人気のあるデコーダUPerNetより優れ、計算コストの5%程度しか消費しない。
  論文  参考訳（メタデータ） (2023-06-09T22:29:56Z)
• Lightweight Salient Object Detection in Optical Remote-Sensing Images via Semantic Matching and Edge Alignment [61.45639694373033]
  セマンティックマッチングとエッジアライメントに基づく光リモートセンシング画像(ORSI-SOD)のための新しい軽量ネットワークSeaNetを提案する。 具体的には、機能抽出のための軽量MobileNet-V2、高レベルの機能のための動的セマンティックマッチングモジュール(DSMM)、推論のためのポータブルデコーダが含まれる。
  論文  参考訳（メタデータ） (2023-01-07T04:33:51Z)
• Stage-Aware Feature Alignment Network for Real-Time Semantic Segmentation of Street Scenes [59.81228011432776]
  街路シーンのリアルタイムなセマンティックセグメンテーションのためのSFANet(Stage-Aware Feature Alignment Network)を提案する。 デコーダにおける各ステージのユニークな役割を考慮に入れ、新しいステージ認識機能拡張ブロック(FEB)は、エンコーダからの特徴マップの空間的詳細と文脈的情報を強化するように設計されている。 実験の結果,提案したSFANetは,ストリートシーンのリアルタイムセマンティックセグメンテーションにおける精度と速度のバランスが良好であることがわかった。
  論文  参考訳（メタデータ） (2022-03-08T11:46:41Z)
• SensiX++: Bringing MLOPs and Multi-tenant Model Serving to Sensory Edge Devices [69.1412199244903]
  エッジデバイス上でMLOpsを統合した,適応モデル実行のためのマルチテナントランタイムを提案する。 S SensiX++は、高度にモジュール化されたコンポーネント化と、明確な抽象化によるデータ操作の外部化と、システム全体のオーケストレーションのためのドキュメント中心の宣言という、2つの基本原則で運用されている。 SensiX++のさまざまな自動化コンポーネントの全体的なスループットと定量化メリットについて報告し、運用の複雑さを著しく低減し、エッジデバイスへの組み込みモデルのデプロイ、アップグレード、再構成、提供の労力を削減する効果を実証する。
  論文  参考訳（メタデータ） (2021-09-08T22:06:16Z)
• A De-raining semantic segmentation network for real-time foreground segmentation [0.0]
  本稿では,降雨環境におけるセグメンテーションのための軽量ネットワークであるDeraining Semantic Accuracy Network (DRSNet)を提案する。 雨滴の特性を解析することにより、MultiScaleSE Blockは入力画像のエンコードを目標としている。 異なるエンコーダ層とデコーダ層とのセマンティック情報を組み合わせるために,非対称スキップを用いることを提案する。
  論文  参考訳（メタデータ） (2021-04-16T04:09:13Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。