論文の概要: AI-enabled Satellite Edge Computing: A Single-Pixel Feature based Shallow Classification Model for Hyperspectral Imaging

• arxiv url: http://arxiv.org/abs/2601.18560v1
• Date: Mon, 26 Jan 2026 15:07:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.886258
• Title: AI-enabled Satellite Edge Computing: A Single-Pixel Feature based Shallow Classification Model for Hyperspectral Imaging
• Title（参考訳）: AI対応衛星エッジコンピューティング:ハイパースペクトルイメージングのための単一画素特徴に基づく浅部分類モデル
• Authors: Li Fang, Tianyu Li, Yanghong Lin, Shudong Zhou, Wei Yao,
• Abstract要約: ハイパースペクトル画像分類のための効率的なAI対応サテライトエッジコンピューティングパラダイムを提案する。 提案手法は,数発の学習戦略と統合された軽量で非深度学習フレームワークを採用する。 単画素レベルでのスペクトル特徴のみを利用する2段階のラベル伝搬方式を新たに開発した。
• 参考スコア（独自算出の注目度）: 10.451877671886342
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As the important component of the Earth observation system, hyperspectral imaging satellites provide high-fidelity and enriched information for the formulation of related policies due to the powerful spectral measurement capabilities. However, the transmission speed of the satellite downlink has become a major bottleneck in certain applications, such as disaster monitoring and emergency mapping, which demand a fast response ability. We propose an efficient AI-enabled Satellite Edge Computing paradigm for hyperspectral image classification, facilitating the satellites to attain autonomous decision-making. To accommodate the resource constraints of satellite platforms, the proposed method adopts a lightweight, non-deep learning framework integrated with a few-shot learning strategy. Moreover, onboard processing on satellites could be faced with sensor failure and scan pattern errors, which result in degraded image quality with bad/misaligned pixels and mixed noise. To address these challenges, we develop a novel two-stage pixel-wise label propagation scheme that utilizes only intrinsic spectral features at the single pixel level without the necessity to consider spatial structural information as requested by deep neural networks. In the first stage, initial pixel labels are obtained by propagating selected anchor labels through the constructed anchor-pixel affinity matrix. Subsequently, a top-k pruned sparse graph is generated by directly computing pixel-level similarities. In the second stage, a closed-form solution derived from the sparse graph is employed to replace iterative computations. Furthermore, we developed a rank constraint-based graph clustering algorithm to determine the anchor labels.
• Abstract（参考訳）: 地球観測システムの重要な構成要素として、ハイパースペクトルイメージング衛星は、強力な分光測定能力による関連する政策の定式化のために高忠実で豊富な情報を提供する。 しかし、衛星ダウンリンクの送信速度は、災害監視や緊急対応能力を必要とする緊急マッピングなど、特定の用途において大きなボトルネックとなっている。 我々は、高スペクトル画像分類のための効率的なAI対応衛星エッジコンピューティングパラダイムを提案し、衛星が自律的な意思決定を行えるようにした。 衛星プラットフォームのリソース制約に対応するため,提案手法では,軽量で非深層学習フレームワークを数発の学習戦略に統合する。 さらに、衛星のオンボード処理は、センサーの故障やパターンエラーに直面する可能性があり、結果として画質が劣化し、不一致のピクセルと混合ノイズが生じる。 これらの課題に対処するために、深層ニューラルネットワークが要求する空間構造情報を考慮せずに、単一の画素レベルで固有のスペクトル特徴のみを利用する2段階のラベル伝搬方式を開発した。 第1段階では、構築されたアンカー画素親和性マトリックスを介して選択されたアンカーラベルを伝播して初期画素ラベルを得る。 その後、画素レベルの類似性を直接計算することにより、トップkプルーニングスパースグラフを生成する。 第2段階では、スパースグラフから導出される閉形式解を用いて反復計算を置き換える。 さらに,ランク制約に基づくグラフクラスタリングアルゴリズムを開発し,アンカーラベルを決定する。

関連論文リスト

• Lightweight CNNs for Embedded SAR Ship Target Detection and Classification [0.0]
  高レベルの製品を生成するためのオンボード処理は、ダウンリンクが必要なデータ量を減らすことができる。 本研究では,非焦点SARデータに基づくリアルタイム推論のためのニューラルネットワークの提案と評価を行う。
  論文  参考訳（メタデータ） (2025-08-14T14:55:19Z)
• Onboard Hyperspectral Super-Resolution with Deep Pushbroom Neural Network [17.765865414505452]
  衛星上のハイパースペクトル画像装置は、空間分解能の制限を犠牲にして、ある物質と別の物質を区別するために必要な微細なスペクトル信号を得る。 提案するニューラル・ネットワーク設計手法はDeep Pushbroom Super-Resolution (DPSR) と呼ばれるもので,画像線を沿線方向の線で処理し,これまで取得した線を利用する。 この設計は、メモリ要求と計算の複雑さを大幅に制限し、リアルタイムのパフォーマンス、すなわち、次のものを取得するのに要する時間を超解する能力を達成する。
  論文  参考訳（メタデータ） (2025-07-28T12:18:52Z)
• Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは、ラベル付きデータを持たないクラスタにピクセルをグループ化する。 ほとんどの手法はスーパーピクセルセグメンテーションに依存し、グラフニューラルネットワーク(GNN)に基づくスーパーピクセルレベルのクラスタリングを実行する。 グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
  論文  参考訳（メタデータ） (2025-06-11T16:41:34Z)
• Superpixel-based and Spatially-regularized Diffusion Learning for Unsupervised Hyperspectral Image Clustering [4.643572021927615]
  本稿では,新しい教師なしHSIクラスタリングアルゴリズム,スーパーピクセルベースおよび空間正規化拡散学習(S2DL)を提案する。 S2DLは、HSIに符号化された豊富な空間情報を拡散幾何学に基づくクラスタリングに組み込む。 S2DLのパフォーマンスは、公開されている実世界の3つのHSIに関する広範な実験で説明されている。
  論文  参考訳（メタデータ） (2023-12-24T09:54:40Z)
• CLiSA: A Hierarchical Hybrid Transformer Model using Orthogonal Cross Attention for Satellite Image Cloud Segmentation [5.178465447325005]
  ディープラーニングアルゴリズムは画像セグメンテーション問題を解決するための有望なアプローチとして登場してきた。 本稿では,Lipschitz Stable Attention NetworkによるCLiSA - Cloudセグメンテーションという,効果的なクラウドマスク生成のためのディープラーニングモデルを提案する。 Landsat-8, Sentinel-2, Cartosat-2sを含む複数の衛星画像データセットの質的および定量的な結果を示す。
  論文  参考訳（メタデータ） (2023-11-29T09:31:31Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)

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。