論文の概要: TinyIceNet: Low-Power SAR Sea Ice Segmentation for On-Board FPGA Inference

• arxiv url: http://arxiv.org/abs/2603.03075v1
• Date: Tue, 03 Mar 2026 15:21:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.852029
• Title: TinyIceNet: Low-Power SAR Sea Ice Segmentation for On-Board FPGA Inference
• Title（参考訳）: TinyIceNet: オンボードFPGA推論のための低消費電力SARシーアイスセグメンテーション
• Authors: Mhd Rashed Al Koutayni, Mohamed Selim, Gerd Reis, Alain Pagani, Didier Stricker,
• Abstract要約: 両極化Sentinel-1 SAR画像からのSOD(Stage of Development)マッピングのための,コンパクトなセマンティックセグメンテーションネットワークTinyIceNetを提案する。 TinyIceNetは、SAR対応アーキテクチャ単純化と低精度量子化を組み合わせて、精度と効率のバランスをとる。 実験の結果、TinyIceNetはSODセグメンテーションにおいて75.216%のF1スコアを達成し、フル精度GPUベースラインと比較して消費電力を2倍削減した。
• 参考スコア（独自算出の注目度）: 17.00866062869716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate sea ice mapping is essential for safe maritime navigation in polar regions, where rapidly changing ice conditions require timely and reliable information. While Sentinel-1 Synthetic Aperture Radar (SAR) provides high-resolution, all-weather observations of sea ice, conventional ground-based processing is limited by downlink bandwidth, latency, and energy costs associated with transmitting large volumes of raw data. On-board processing, enabled by dedicated inference chips integrated directly within the satellite payload, offers a transformative alternative by generating actionable sea ice products in orbit. In this context, we present TinyIceNet, a compact semantic segmentation network co-designed for on-board Stage of Development (SOD) mapping from dual-polarized Sentinel-1 SAR imagery under strict hardware and power constraints. Trained on the AI4Arctic dataset, TinyIceNet combines SAR-aware architectural simplifications with low-precision quantization to balance accuracy and efficiency. The model is synthesized using High-Level Synthesis and deployed on a Xilinx Zynq UltraScale+ FPGA platform, demonstrating near-real-time inference with significantly reduced energy consumption. Experimental results show that TinyIceNet achieves 75.216% F1 score on SOD segmentation while reducing energy consumption by 2x compared to full-precision GPU baselines, underscoring the potential of chip-level hardware-algorithm co-design for future spaceborne and edge AI systems.
• Abstract（参考訳）: 正確な海氷マッピングは、急速に変化する氷の状態が時間的に信頼性の高い情報を必要とする極地における安全な海洋航行に不可欠である。 Sentinel-1 Synthetic Aperture Radar (SAR)は、海氷の高分解能で全天候の観測を提供するが、従来の地上処理は、大量の原データの送信に伴うダウンリンク帯域幅、レイテンシ、エネルギーコストによって制限される。 オンボード処理は、衛星ペイロードに直接統合された専用の推論チップによって実現され、軌道上で実行可能な海氷生成物を生成することで、変革的な代替手段を提供する。 この文脈では、厳密なハードウェアおよび電力制約下でのデュアル偏極Sentinel-1 SAR画像からのSODマッピングのためのコンパクトセマンティックセグメンテーションネットワークであるTinyIceNetを提示する。 AI4Arcticデータセットに基づいてトレーニングされたTinyIceNetは、SAR対応アーキテクチャの単純化と低精度の量子化を組み合わせて、正確性と効率のバランスを取る。 このモデルは、高レベル合成を用いて合成され、Xilinx Zynq UltraScale+ FPGAプラットフォーム上に展開され、エネルギー消費を大幅に削減したほぼリアルタイムな推論を示す。 実験結果から、TinyIceNetはSODセグメンテーションにおいて75.216%のF1スコアを獲得し、フル精度のGPUベースラインと比較してエネルギー消費量を2倍に削減し、将来のスペースボーンとエッジAIシステムにおけるチップレベルのハードウェアアルゴリズムの共同設計の可能性を強調した。

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)
• Efficient SAR Vessel Detection for FPGA-Based On-Satellite Sensing [0.0]
  我々は,共通衛星電力制約(10W)内でFPGAベースの処理に特化して最適化されたYOLOv8アーキテクチャを用いて,新しい効率的で高性能なSAR容器検出モデルを開発し,展開する。 検出・分類性能は,2～3桁の規模で,最先端のGPUベースモデルよりわずか2%,3%低かった。 この研究は、より自律的で応答性があり、スケーラブルな地球観測システムを実現するための、時間クリティカルなSAR分析のための、小型で高性能なMLモデルを実証する。
  論文  参考訳（メタデータ） (2025-07-07T10:03:31Z)
• 10K is Enough: An Ultra-Lightweight Binarized Network for Infrared Small-Target Detection [48.074211420276605]
  バイナリ化されたニューラルネットワーク(BNN)は、モデル圧縮における例外的な効率によって区別される。 両立赤外小ターゲット検出ネットワーク(BiisNet)を提案する。 BiisNetは二項化畳み込みのコア操作を保存し、完全精度の機能をネットワークの情報フローに統合する。
  論文  参考訳（メタデータ） (2025-03-04T14:25:51Z)
• Real-Time Compressed Sensing for Joint Hyperspectral Image Transmission and Restoration for CubeSat [9.981107535103687]
  本稿では,軽量で比較的少数のトレーニングサンプルを必要とするリアルタイム圧縮センシングネットワークを提案する。 RTCSネットワークは、必要なトレーニングサンプルを削減し、整数8ベースのエンコーダに簡単に実装できる単純化されたアーキテクチャを備えている。 我々のエンコーダは、ストリップライクなHSIデータ伝送に整数8互換の線形プロジェクションを使用し、リアルタイム圧縮センシングを確実にする。
  論文  参考訳（メタデータ） (2024-04-24T10:03:37Z)
• BiFSMNv2: Pushing Binary Neural Networks for Keyword Spotting to Real-Network Performance [54.214426436283134]
  Deep-FSMNのようなディープニューラルネットワークはキーワードスポッティング(KWS)アプリケーションのために広く研究されている。 我々は、KWS、すなわちBiFSMNv2のための強力で効率的なバイナリニューラルネットワークを提示し、それを実ネットワーク精度のパフォーマンスにプッシュする。 小型アーキテクチャと最適化されたハードウェアカーネルの利点により、BiFSMNv2は25.1倍のスピードアップと20.2倍のストレージ節約を実現できる。
  論文  参考訳（メタデータ） (2022-11-13T18:31:45Z)
• LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy Physics [45.666822327616046]
  本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。 LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
  論文  参考訳（メタデータ） (2022-09-28T12:55:35Z)
• Faster Attention Is What You Need: A Fast Self-Attention Neural Network Backbone Architecture for the Edge via Double-Condensing Attention Condensers [71.40595908386477]
  本稿では,2重対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向対向 結果のバックボーン(AttendNeXtと呼ぶ)は、組み込みARMプロセッサ上で大幅に高い推論スループットを実現する。 これらの有望な結果は、さまざまな効率的なアーキテクチャ設計と自己アテンション機構の探索が、TinyMLアプリケーションのための興味深い新しいビルディングブロックにつながることを実証している。
  論文  参考訳（メタデータ） (2022-08-15T02:47:33Z)
• 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)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)

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。