論文の概要: An Efficient and Generalizable Transfer Learning Method for Weather Condition Detection on Ground Terminals

• arxiv url: http://arxiv.org/abs/2511.00211v1
• Date: Fri, 31 Oct 2025 19:14:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.674446
• Title: An Efficient and Generalizable Transfer Learning Method for Weather Condition Detection on Ground Terminals
• Title（参考訳）: 地上端末上での気象条件検出のための効率的かつ一般化可能な伝達学習法
• Authors: Wenxuan Zhang, Peng Hu,
• Abstract要約: 雪や雨などの逆の気象イベントは、衛星インターネットの性能と運用を妨げかねない。 本稿では,気象条件を局所的に検出できる効率的な移動学習法について論じる。
• 参考スコア（独自算出の注目度）: 30.10801370583968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing adoption of satellite Internet with low-Earth-orbit (LEO) satellites in mega-constellations allows ubiquitous connectivity to rural and remote areas. However, weather events have a significant impact on the performance and reliability of satellite Internet. Adverse weather events such as snow and rain can disturb the performance and operations of satellite Internet's essential ground terminal components, such as satellite antennas, significantly disrupting the space-ground link conditions between LEO satellites and ground stations. This challenge calls for not only region-based weather forecasts but also fine-grained detection capability on ground terminal components of fine-grained weather conditions. Such a capability can assist in fault diagnostics and mitigation for reliable satellite Internet, but its solutions are lacking, not to mention the effectiveness and generalization that are essential in real-world deployments. This paper discusses an efficient transfer learning (TL) method that can enable a ground component to locally detect representative weather-related conditions. The proposed method can detect snow, wet, and other conditions resulting from adverse and typical weather events and shows superior performance compared to the typical deep learning methods, such as YOLOv7, YOLOv9, Faster R-CNN, and R-YOLO. Our TL method also shows the advantage of being generalizable to various scenarios.
• Abstract（参考訳）: 低地球軌道(LEO)衛星による衛星インターネットの普及は、農村部や遠隔地へのユビキタス接続を可能にしている。 しかし、気象事象は衛星インターネットの性能と信頼性に大きな影響を及ぼす。 雪や雨などの逆の気象現象は、衛星アンテナなどの衛星インターネットの重要な地上端末コンポーネントの性能と運用を阻害し、LEO衛星と地上局の間の地上リンク条件を著しく破壊する。 この課題は、地域ベースの天気予報だけでなく、きめ細かい気象条件の地上端末コンポーネントのきめ細かい検出能力も要求する。 このような能力は、信頼性の高い衛星インターネットの故障診断や緩和を支援することができるが、実際の展開に不可欠な有効性と一般化は言うまでもなく、そのソリューションは欠如している。 本稿では,地表面成分が代表的な気象条件を局所的に検出できる効率的な移動学習法について論じる。 提案手法は, 降雪, 降雪, 降雪, 降雪など, 悪天候, 典型的な気象事象を検知し, YOLOv7, YOLOv9, 高速R-CNN, R-YOLOなどの一般的な深層学習法と比較して, 優れた性能を示す。 TL法は,様々なシナリオに対して一般化可能であるという利点も示している。

関連論文リスト

• ASTREA: Introducing Agentic Intelligence for Orbital Thermal Autonomy [51.56484100374058]
  ASTREAは、自律的な宇宙船運用のためのフライト・ヘリテージ・ハードウェア上で実行される最初のエージェント・システムである。 我々は,資源制約付き大規模言語モデル(LLM)エージェントと強化学習コントローラを,空間対応プラットフォームに適した非同期アーキテクチャに統合する。
  論文  参考訳（メタデータ） (2025-09-16T08:52:13Z)
• Joint AoI and Handover Optimization in Space-Air-Ground Integrated Network [48.485907216785904]
  ローアース軌道(LEO)衛星コンステレーションは、地球をカバーし、遅延を減少させる有望な解決策を提供する。 しかし、軌道力学による間欠的カバレッジと間欠的な通信窓に苦しむ。 我々の3層設計では、HAP-地上通信のための高容量衛星間通信と信頼性無線周波数(RF)リンクに、ハイブリッド自由空間光(FSO)リンクを用いる。
  論文  参考訳（メタデータ） (2025-09-16T06:16:56Z)
• Satellite Federated Fine-Tuning for Foundation Models in Space Computing Power Networks [42.14666281406915]
  衛星-地上協調型ファインチューニングフレームワークを提案する。 通信資源と計算資源の両方を統合した通信戦略を導入する。 シミュレーションの結果,約33%の改善でトレーニング時間が大幅に短縮された。
  論文  参考訳（メタデータ） (2025-04-14T16:52:34Z)
• SatFed: A Resource-Efficient LEO Satellite-Assisted Heterogeneous Federated Learning Framework [19.59862482196897]
  資源効率の高い衛星支援ヘテロジニアスFLフレームワークであるSatFedを提案する。 SatFedは、高度に制約された衛星地上帯域の利用を最適化するために、鮮度に基づくモデルの優先順位付けキューを実装している。 実世界のLEO衛星ネットワークを用いた実験により、SatFedは最先端のベンチマークよりも優れた性能と堅牢性を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-20T13:44:00Z)
• Artificial Intelligence Techniques for Next-Generation Mega Satellite Networks [37.87439415970645]
  本稿では,地球規模の衛星ネットワーク,特に大規模衛星ネットワーク通信におけるAI技術の適用について紹介する。 巨大な衛星ネットワークのユニークな特徴を詳述し、現在の通信インフラへの統合と相容れない課題を詳述する。 これには、高度にダイナミックなラジオチャンネル、スペクトルセンシングと分類、信号検出と復調、衛星間および衛星アクセスネットワーク最適化、ネットワークセキュリティの予測にAIを適用することが含まれる。
  論文  参考訳（メタデータ） (2022-06-02T13:56:32Z)
• Deep Learning Aided Routing for Space-Air-Ground Integrated Networks Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
  現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。 大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。 低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:12:10Z)
• 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。