論文の概要: Embedding-Only Uplink for Onboard Retrieval Under Shift in Remote Sensing

• arxiv url: http://arxiv.org/abs/2604.03301v1
• Date: Mon, 30 Mar 2026 04:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.485278
• Title: Embedding-Only Uplink for Onboard Retrieval Under Shift in Remote Sensing
• Title（参考訳）: リモートセンシングにおけるオンボード検索のための埋め込み専用アップリンク
• Authors: Sangcheol Sim,
• Abstract要約: 地上局がコンパクトな埋め込みとメタデータのみをアップリンクする厳密な環境について検討し、車載システムではベクトル探索を行い、新たなキャプチャーをトリアージする。 すべての効果的な手法が同じアップリンク埋め込みに依存していることがわかったが、最適決定ヘッドはタスク依存である。 これらの結果から,組込みのみのアップリンクが重要な有効化要因であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Downlink bottlenecks motivate onboard systems that prioritize hazards without transmitting raw pixels. We study a strict setting where a ground station uplinks only compact embeddings plus metadata, and an onboard system performs vector search to triage new captures. We ask whether this embedding-only pipeline remains useful under explicit remote-sensing shift: cross-time (pre/post-event), cross-event/location (different disasters), cross-site cloud (15 geographic sites), and cross-city AOI holdout (buildings). Using OlmoEarth embeddings on a scaled public multi-task benchmark (27 Sentinel-2 L2A scenes, 15 cloud sites, 5 SpaceNet-2 AOIs; 10 seeds), we find that all effective methods rely on the same uplinked embeddings, but the optimal decision head is task-dependent: kNN retrieval is significantly superior for cloud classification (0.92 vs. centroid 0.91; p<0.01, Wilcoxon), while class centroids dominate temporal change detection (0.85 vs. retrieval 0.48; p<0.01). These results show that embedding-only uplink is the key enabler--once embeddings are onboard, the system can select the best head per task at no additional uplink cost, with all telemetry under 1 KB per query.
• Abstract（参考訳）: ダウンリンクボトルネックは、生のピクセルを送信せずにハザードを優先するオンボードシステムにモチベーションを与えます。 地上局がコンパクトな埋め込みとメタデータのみをアップリンクする厳密な環境について検討し、車載システムではベクトル探索を行い、新たなキャプチャーをトリアージする。 クロスタイム(プレ/ポストイベント)、クロスイベント/ロケーション(異なる災害)、クロスサイトクラウド(15地理的な場所)、都市間AOIホールドアウト(ビル)である。 大規模なマルチタスクベンチマーク(27Sentinel-2 L2Aのシーン,15のクラウドサイト,5のSpaceNet-2 AOIs,10のシード)にOlmoEarthの埋め込みを用いて,すべての有効な手法が同一のアップリンク埋め込みに依存していることがわかった。 これらの結果から,組込みのみのアップリンクがキーイネーブラーであり,各タスク毎の最高のヘッドを追加のアップリンクコストなしで選択でき,クエリ毎のテレメトリは1KB以下であることがわかった。

関連論文リスト

• Task-Driven Prompt Learning: A Joint Framework for Multi-modal Cloud Removal and Segmentation [11.468907022707013]
  TDP-CRはタスク駆動のフレームワークで、クラウド削除と土地被覆のセグメンテーションを共同で行う。 我々のアプローチの中心は、雲の厚さと空間の不確かさを符号化する学習可能な劣化プロンプトを利用するPrompt-Guided Fusionメカニズムである。 LuojiaSET-OSFCRデータセットの実験は、我々のフレームワークの優位性を実証している。
  論文  参考訳（メタデータ） (2026-01-17T13:32:38Z)
• FOOL: Addressing the Downlink Bottleneck in Satellite Computing with Neural Feature Compression [6.768163204818034]
  予測性能を保ったOECネイティブ・タスクに依存しない特徴圧縮手法を提案する。 FOOLはスループットを最大化するために高解像度の衛星画像を分割する。 低地球軌道における断続的に利用可能なネットワーク接続の特異性を含むことによって、転送コストの低減を評価する。
  論文  参考訳（メタデータ） (2024-03-25T12:14:48Z)
• Multi-Base Station Cooperative Sensing with AI-Aided Tracking [10.400855135405251]
  核融合センター(FC)を介して協調する複数の基地局(BS)からなる共同センシング・通信ネットワークについて検討する。 筆者らのフレームワークは,60cm未満の最適サブパターン割り当て(OSPA)を実現することで,優れたセンシング性能を提供できることを示す。
  論文  参考訳（メタデータ） (2023-10-31T12:27:48Z)
• Differentiable Architecture Search with Random Features [80.31916993541513]
  微分可能なアーキテクチャサーチ (DARTS) は、探索効率と効率性からNAS技術の発展を著しく促進してきたが、性能の低下に悩まされている。 本稿では,BatchNormのトレーニングのみによるDARTSの性能崩壊問題を軽減するための取り組みを行う。
  論文  参考訳（メタデータ） (2022-08-18T13:55:27Z)
• Keypoints-Based Deep Feature Fusion for Cooperative Vehicle Detection of Autonomous Driving [2.6543018470131283]
  本稿では,FPV-RCNNと呼ばれる,効率的なキーポイントに基づく深い特徴融合フレームワークを提案する。 鳥眼視(BEV)キーポイントの核融合と比較すると、FPV-RCNNは検出精度を約14%向上させる。 また,提案手法はCPMのサイズを0.3KB以下に削減し,従来のBEV機能マップの約50倍の小型化を実現した。
  論文  参考訳（メタデータ） (2021-09-23T19:41:02Z)
• Group Fisher Pruning for Practical Network Compression [58.25776612812883]
  本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。 我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。 提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
  論文  参考訳（メタデータ） (2021-08-02T08:21:44Z)
• FCCDN: Feature Constraint Network for VHR Image Change Detection [12.670734830806591]
  本稿では,変更検出のための特徴制約変更検出ネットワーク(FCCDN)を提案する。 両時間的特徴抽出と特徴融合を両立させる。 2つのビルディング変更検出データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-05-23T06:13:47Z)
• BossNAS: Exploring Hybrid CNN-transformers with Block-wisely Self-supervised Neural Architecture Search [100.28980854978768]
  BossNAS(Block-wisely Self-supervised Neural Architecture Search)の紹介 探索空間をブロックに分類し、アンサンブルブートストラッピングと呼ばれる新しい自己教師型トレーニングスキームを用いて各ブロックを個別に訓練する。 また,検索可能なダウンサンプリング位置を持つファブリック型cnnトランスフォーマ検索空間であるhytra search spaceを提案する。
  論文  参考訳（メタデータ） (2021-03-23T10:05:58Z)
• Anchor-Free Person Search [127.88668724345195]
  パーソンサーチ(person search)は、クエリーの人物を同時にローカライズし、特定することを目的としている。 既存の作品の多くはfaster-rcnnのような2段検出器を採用しており、精度は高いが計算オーバーヘッドは高い。 この課題に効率的に取り組む最初のアンカーフリーフレームワークであるFeature-Aligned Person Search Network(AlignPS)を紹介します。
  論文  参考訳（メタデータ） (2021-03-22T07:04:29Z)
• Hashing-based Non-Maximum Suppression for Crowded Object Detection [63.761451382081844]
  オブジェクト検出のための非最大ボックスを効率的に抑制するアルゴリズム,HNMS(Hash-based non-maximumpression)を提案する。 2段階検出器では、領域提案ネットワークにおけるNMSをHNMSに置き換え、相当の精度でかなりのスピードアップを観測する。 CARPK、SKU-110K、CrowdHumanデータセットを用いて実験を行い、HNMSの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-05-22T23:45:59Z)

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。