論文の概要: Transfer Learning for Onboard Cloud Segmentation in Thermal Earth Observation: From Landsat to a CubeSat Constellation
- arxiv url: http://arxiv.org/abs/2511.00357v1
- Date: Sat, 01 Nov 2025 01:59:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 16:37:26.736611
- Title: Transfer Learning for Onboard Cloud Segmentation in Thermal Earth Observation: From Landsat to a CubeSat Constellation
- Title（参考訳）: 熱地球観測におけるオンボード雲セグメンテーションの伝達学習:ランドサットからキューブサットコンステレーションへ
- Authors: Niklas Wölki, Lukas Kondmann, Christian Mollière, Martin Langer, Julia Gottfriedsen, Martin Werner,
- Abstract要約: この研究は、軽量なMobileNetエンコーダを備えたUNetを用いて、FOEST-2 CubeSatの熱クラウドセグメンテーションに変換学習を適用する。
我々は、パブリックなLandsat-7クラウドカバレッジアセスメントデータセットでモデルを事前トレーニングし、少数のミッション固有のサンプルで微調整する。
我々は、このモデルをaRTエンジンに変換し、NVIDIA Jetson Nano上で5秒未満でフルイメージの推論を実演する。
- 参考スコア（独自算出の注目度）: 0.9836024351782049
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Onboard cloud segmentation is a critical yet underexplored task in thermal Earth observation (EO), particularly for CubeSat missions constrained by limited hardware and spectral information. CubeSats often rely on a single thermal band and lack sufficient labeled data, making conventional cloud masking techniques infeasible. This work addresses these challenges by applying transfer learning to thermal cloud segmentation for the FOREST-2 CubeSat, using a UNet with a lightweight MobileNet encoder. We pretrain the model on the public Landsat-7 Cloud Cover Assessment Dataset and fine-tune it with a small set of mission-specific samples in a joint-training setup, improving the macro F1 from 0.850 to 0.877 over FOREST-2-only baselines. We convert the model to a TensorRT engine and demonstrate full-image inference in under 5 seconds on an NVIDIA Jetson Nano. These results show that leveraging public datasets and lightweight architectures can enable accurate, efficient thermal-only cloud masking on-orbit, supporting real-time decision-making in data-limited EO missions.
- Abstract（参考訳）: オンボード雲のセグメンテーションは、特に限られたハードウェアとスペクトル情報によって制約されたCubeSatミッションにおいて、熱地球観測(EO)において重要で未調査の課題である。
キューブサットはしばしば単一の熱バンドに依存し、十分なラベル付きデータがないため、従来の雲のマスキング技術は実現不可能である。
この研究は、軽量なMobileNetエンコーダを備えたUNetを使用して、Forest-2 CubeSatのサーマルクラウドセグメンテーションにトランスファーラーニングを適用することで、これらの課題に対処する。
我々は、パブリックなLandsat-7クラウドカバーアセスメントデータセット上でモデルを事前訓練し、ForEST-2のみのベースラインよりも0.850から0.877までのマクロF1を改良し、少数のミッション固有のサンプルを共同トレーニング設定で微調整する。
我々は、このモデルをTensorRTエンジンに変換し、NVIDIA Jetson Nano上で5秒未満でフルイメージの推論を示す。
これらの結果は、公開データセットと軽量アーキテクチャを活用することで、データ制限されたEOミッションにおけるリアルタイム意思決定をサポートする、正確で効率的な熱のみのクラウドマスキングを軌道上で実現することを示している。
関連論文リスト
- TIRAuxCloud: A Thermal Infrared Dataset for Day and Night Cloud Detection [3.920633646413082]
雲は地球観測の大きな障害であり、重要なリモートセンシングアプリケーションの使用性と信頼性を制限している。
我々は、昼と夜の両方の条件下で雲のセグメンテーションを容易にするために、熱スペクトルデータを中心にしたデータセットであるTIRAuxCloudを提示する。
論文 参考訳（メタデータ） (2026-02-25T13:36:10Z) - Not every day is a sunny day: Synthetic cloud injection for deep land cover segmentation robustness evaluation across data sources [1.5052861873036498]
土地被覆セマンティックセグメンテーション(LCS)のための改良されたディープラーニングは、ラベル付き衛星データに依存している。
既存のSentinel-2データセットのほとんどはクラウドフリーであり、雲が一般的である熱帯地域での有用性を制限している。
我々は,現実的な雲の覆いをシミュレートするクラウドインジェクションアルゴリズムを開発し,雲に妨害された光学画像によって生じるギャップをSentinel-1レーダーデータがどのように埋めるかを検証した。
論文 参考訳（メタデータ） (2025-10-03T13:51:35Z) - A New Dataset and Performance Benchmark for Real-time Spacecraft Segmentation in Onboard Flight Computers [2.8519379677270997]
我々は、実際の宇宙船モデルを用いて作成した、約64kの注釈付き宇宙船画像の新しいデータセットを提示する。
実世界の画像取得において、カメラの歪みやノイズを模倣するために、様々な種類のノイズや歪みを画像に追加した。
得られたモデルは、よく定義されたハードウェアと推論時間制約の下でテストされ、Diceスコアが0.92、Hausdorff距離が0.69、推論時間が0.5秒に達した。
論文 参考訳（メタデータ） (2025-07-14T20:02:40Z) - High Performance Space Debris Tracking in Complex Skylight Backgrounds with a Large-Scale Dataset [48.32788509877459]
高精度なデブリ追跡を実現するために,深層学習に基づく空間デブリ追跡ネットワーク(SDT-Net)を提案する。
SDT-Netはデブリの特徴を効果的に表現し、エンドツーエンドのモデル学習の効率性と安定性を高める。
データセットとコードはまもなくリリースされます。
論文 参考訳（メタデータ） (2025-06-03T08:30:25Z) - JiSAM: Alleviate Labeling Burden and Corner Case Problems in Autonomous Driving via Minimal Real-World Data [49.2298619289506]
本稿では,ジッタリング強化,ドメイン認識バックボーン,メモリに基づくセクタライズAlignMentのためのJiSAMというプラグイン・アンド・プレイ手法を提案する。
有名なADデータセットであるNuScenesで実施された広範な実験において、SOTA 3Dオブジェクト検出器を用いて、JiSAMはシミュレーションデータと2.5%の実データにラベルを付けるだけで、実データで訓練されたモデルに匹敵する性能が得られることを示した。
論文 参考訳（メタデータ） (2025-03-11T13:35:39Z) - Parameter-Efficient Fine-Tuning in Spectral Domain for Point Cloud Learning [49.91297276176978]
我々は,ポイントクラウドのための新しい固有textbfPointGST (textbfGraph textbfSpectral textbfTuning) 法を提案する。
ポイントGSTは事前訓練されたモデルを凍結し、スペクトル領域の微調整パラメータのための軽量で訓練可能なポイントクラウドスペクトルアダプタ(PCSA)を導入する。
さまざまなタスクにわたる挑戦的なポイントクラウドデータセットの実験では、ポイントGSTが完全に微調整されたデータセットを上回るだけでなく、トレーニング可能なパラメータも大幅に削減されていることが示されている。
論文 参考訳（メタデータ） (2024-10-10T17:00:04Z) - CloudTracks: A Dataset for Localizing Ship Tracks in Satellite Images of
Clouds [2.730522630535052]
CloudTracksは,12,000以上のシップトラックインスタンスアノテーションをラベル付けした,3,560の衛星画像を含むデータセットである。
セマンティックセグメンテーションとインスタンスセグメンテーションモデルはデータセットに基づいてベースラインをトレーニングし、私たちの最良のモデルは、船のトラックのローカライゼーションにおける過去の最先端よりも大幅に優れています。
論文 参考訳（メタデータ） (2024-01-25T19:44:19Z) - Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。
雲の光学的厚さ推定のための新しい合成データセットを提案する。
信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
論文 参考訳（メタデータ） (2023-11-23T14:28:28Z) - Semantic Segmentation in Satellite Hyperspectral Imagery by Deep Learning [54.094272065609815]
本稿では1D-Justo-LiuNetという軽量な1D-CNNモデルを提案する。
1D-Justo-LiuNetは、全てのテストモデルの中で最小のモデルサイズ (4,563 パラメータ) を持つ最大精度 (0.93) を達成する。
論文 参考訳（メタデータ） (2023-10-24T21:57:59Z) - RMT: Retentive Networks Meet Vision Transformers [55.76528783956601]
近年,ビジョントランスフォーマー (ViT) がコンピュータビジョンコミュニティで注目を集めている。
自己注意は空間的先行性に欠け、二次的な計算複雑性を持つ。
一般的な目的のために,空間的に明瞭なバックボーンを持つ強力な視覚バックボーンであるRTTを提案する。
論文 参考訳（メタデータ） (2023-09-20T00:57:48Z) - Low-Resource White-Box Semantic Segmentation of Supporting Towers on 3D
Point Clouds via Signature Shape Identification [52.77024349608834]
SCENE-Netは3Dポイントクラウドセマンティックセグメンテーションのための低リソースのホワイトボックスモデルである。
ラップトップでのトレーニング時間は85分、推論時間は20ミリ秒です。
40000 Kmというラベル付きラベル付きデータセットを、農村の地形点雲とコード実装のデータセットとしてリリースしています。
論文 参考訳（メタデータ） (2023-06-13T14:36:06Z) - 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)
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。