論文の概要: SatReg: Regression-based Neural Architecture Search for Lightweight Satellite Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.10306v1
• Date: Sat, 11 Apr 2026 18:13:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.948179
• Title: SatReg: Regression-based Neural Architecture Search for Lightweight Satellite Image Segmentation
• Title（参考訳）: SatReg: 軽量衛星画像セグメンテーションのための回帰に基づくニューラルネットワーク探索
• Authors: Edward Humes, Tinoosh Mohsenin,
• Abstract要約: 本稿では,エッジプラットフォーム上での軽量リモートセンシングセグメンテーションのためのハードウェア対応チューニングフレームワークであるSatRegを紹介する。 探索空間を2つの支配的幅関係変数に減らし、NVIDIA Jetson Orin Nano上に少数の学生モデルをプロファイルし、mIoU、レイテンシ、パワーの低次サロゲートモデルに適合させる。 その結果、選択した変数がタスク精度とハードウェアコストに異なる影響を与えることが示され、空間回帰の低減がCNN-Mambaセグメンテーションモデルを将来のスペースエッジシステムに適用するための実用的な戦略となった。
• 参考スコア（独自算出の注目度）: 0.15469452301122175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As Earth-observation workloads move toward onboard and edge processing, remote-sensing segmentation models must operate under tight latency and energy constraints. We present SatReg, a regression-based hardware-aware tuning framework for lightweight remote-sensing segmentation on edge platforms. Using CM-UNet as the teacher architecture, we reduce the search space to two dominant width-related variables, profile a small set of student models on an NVIDIA Jetson Orin Nano, and fit low-order surrogate models for mIoU, latency, and power. Knowledge distillation is used to efficiently train the sampled students. The learned surrogates enable fast selection of near-optimal architecture settings for deployment targets without exhaustive search. Results show that the selected variables affect task accuracy and hardware cost differently, making reduced-space regression a practical strategy for adapting hybrid CNN-Mamba segmentation models to future space-edge systems.
• Abstract（参考訳）: 地球観測のワークロードがオンボードとエッジ処理に向かっているため、リモートセンシングセグメンテーションモデルは、厳密なレイテンシとエネルギー制約の下で動作する必要がある。 エッジプラットフォーム上での軽量リモートセンシングセグメンテーションのためのレグレッションベースのハードウェア対応チューニングフレームワークであるSatRegを提案する。 CM-UNetを教師アーキテクチャとし、探索空間を2つの支配的幅関係変数に減らし、NVIDIA Jetson Orin Nano上で少数の学生モデルをプロファイルし、mIoU、レイテンシ、パワーの低次サロゲートモデルに適合させる。 知識蒸留は、サンプリングされた学生を効率的に訓練するために用いられる。 学習したサロゲートは、徹底的な検索なしに、デプロイターゲットのほぼ最適なアーキテクチャ設定を素早く選択できる。 その結果、選択した変数がタスク精度とハードウェアコストに異なる影響を与えることが示され、スペースレグレッションの低減がCNN-Mambaのハイブリッドセグメンテーションモデルを将来のスペースエッジシステムに適用するための実用的な戦略となった。

関連論文リスト

• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• On Accelerating Edge AI: Optimizing Resource-Constrained Environments [1.7355861031903428]
  リソース制約のあるエッジデプロイメントでは、厳格な計算、メモリ、エネルギー制限とハイパフォーマンスのバランスをとるAIソリューションが要求される。 本稿では,このような制約下でのディープラーニングモデルを加速するための主要な戦略について概観する。
  論文  参考訳（メタデータ） (2025-01-25T01:37:03Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• Reinforcement Learning as a Parsimonious Alternative to Prediction Cascades: A Case Study on Image Segmentation [6.576180048533476]
  PaSeR(Parsimonious with Reinforcement Learning)は、非スケーリングでコストを意識した学習パイプラインである。 ケースドモデルと比較して計算コストを最小化しながら,PaSeRの精度が向上することを示す。 コストと性能のバランスを評価するため,新しい指標IoU/GigaFlopを導入する。
  論文  参考訳（メタデータ） (2024-02-19T01:17:52Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• RLFlow: Optimising Neural Network Subgraph Transformation with World Models [0.0]
  本稿では,ニューラルネットワークのアーキテクチャを最適化するためのモデルベースエージェントを提案する。 提案手法は, 共通の畳み込みネットワーク上での最先端技術の性能に適合し, トランスフォーマースタイルのアーキテクチャでは最大5%性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-03T11:52:54Z)
• Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
  本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。 ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。 車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
  論文  参考訳（メタデータ） (2021-01-28T15:10:22Z)

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。