論文の概要: Collaborative Space Object Detection with Multi-Satellite Viewpoints in LEO Constellations
- arxiv url: http://arxiv.org/abs/2606.01895v1
- Date: Mon, 01 Jun 2026 08:37:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:31.619787
- Title: Collaborative Space Object Detection with Multi-Satellite Viewpoints in LEO Constellations
- Title（参考訳）: LEOコンステレーションにおける複数衛星視点による宇宙物体の協調検出
- Authors: Xingyu Qu, Wenxuan Zhang, Peng Hu,
- Abstract要約: 深層学習(DL)フレームワークにおける多視点観測融合の可能性を検討した。
実験の結果,mAP50とmAP50-95では,多視点入力がほとんどのケースで実現可能であることがわかった。
これらの知見は、LEO星座展開における空間的状況認識に幅広い影響を及ぼすSODの有効かつ効果的な戦略として、多視点融合を確立した。
- 参考スコア（独自算出の注目度）: 27.362381081726422
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the growing number of satellites in low Earth orbit (LEO) constellations, the near-Earth space environment has become increasingly congested, making space object detection (SOD) a pressing challenge for space safety and sustainability. To mitigate collision risks and ensure the continuity of space operations, SOD systems must deliver fast and accurate detection under stringent onboard constraints. In this paper, we investigate the potential of multi-viewpoint observation fusion within a deep learning (DL) framework to enhance SOD performance. We design a practical multi-view pipeline and several input representations for feeding multi-view data into YOLO-based detectors. Our experiments show that using multi-view inputs is feasible in most cases and typically produces better results for mAP50 and mAP50-95. For example, in model YOLOv9-m, single-view compared to a three-view fused RGB setting, mAP50 increases from 0.638 to 0.732, while mAP50-95 improves from 0.227 to 0.276. Compared with the single-view setting, the best three-view grayscale configuration improves mAP50 by 36.3% and mAP50-95 by 46.5%. These findings establish multi-view fusion as a viable and effective strategy for SOD, with broad implications for space situational awareness in LEO constellation deployments.
- Abstract（参考訳）: 低地球軌道(LEO)の衛星数の増加に伴い、地球近傍の宇宙環境はますます混雑し、宇宙物体検出(SOD)は宇宙の安全と持続可能性に挑戦している。
衝突リスクを軽減し、宇宙運用の継続性を確保するため、SODシステムは、厳密なオンボード制約の下で高速かつ正確な検出を行う必要がある。
本稿では,SOD性能を高めるための深層学習(DL)フレームワークにおける多視点観測融合の可能性について検討する。
我々は、YOLOベースの検出器にマルチビューデータを供給するための実用的なマルチビューパイプラインといくつかの入力表現を設計する。
実験の結果,mAP50とmAP50-95では,多視点入力がほとんどのケースで実現可能であることがわかった。
例えば、YOLOv9-mでは、3ビューの融合RGB設定と比較して、mAP50は0.638から0.732に増加し、mAP50-95は0.227から0.276に改善された。
シングルビュー設定と比較して、最高の3ビューグレースケール構成はmAP50を36.3%改善し、mAP50-95を46.5%改善した。
これらの知見は、LEO星座展開における空間的状況認識に幅広い影響を及ぼすSODの有効かつ効果的な戦略として、多視点融合を確立した。
関連論文リスト
- Are VLMs Lost Between Sky and Space? LinkS$^2$Bench for UAV-Satellite Dynamic Cross-View Spatial Intelligence [107.79496500634691]
LinkS$2$Benchは、ダイナミックUAV映像の1,022分を200km$2$の高解像度衛星画像とリンクする。
LMMを用いたパイプラインと厳密な人間のアノテーションを用いて17.9kの高品質な質問応答ペアを構築した。
評価は、人間のベースラインとはかなりの差を示し、正確なクロスビューのダイナミックアライメントを重要なボトルネックと特定する。
論文 参考訳（メタデータ） (2026-04-02T13:22:57Z) - SDD-YOLO: A Small-Target Detection Framework for Ground-to-Air Anti-UAV Surveillance with Edge-Efficient Deployment [10.723885979419954]
本稿では,G2A対UAV監視に適した小型ターゲット検出フレームワークであるSDD-YOLOを提案する。
SDD-YOLOは、マイクロターゲットにとって重要な微細な空間的詳細を捉えるため、P2高解像度検出ヘッドを4倍のダウンサンプリングで動作させる。
SDD-YOLO-nはDroneSOD-30Kで86.4%のmAP@0.5を達成し、YOLOv5nベースラインを7.8ポイント上回った。
論文 参考訳（メタデータ） (2026-03-26T09:17:39Z) - SCAFusion: A Multimodal 3D Detection Framework for Small Object Detection in Lunar Surface Exploration [18.857802421595235]
本稿では,月面ロボット探査に適したマルチモーダル3次元物体検出モデルであるSCAFusionを提案する。
パラメータの無視的増加により,本モデルは nuScenes 検証セット上で69.7% mAP と72.1% NDS を達成する。
アイザック・シム (Isaac Sim) で作られた模擬月面環境では、SCAFusion は 90.93% mAP に達し、ベースラインを 11.5% 上回っている。
論文 参考訳（メタデータ） (2025-12-27T07:08:03Z) - RoboTracer: Mastering Spatial Trace with Reasoning in Vision-Language Models for Robotics [53.053660003572965]
本稿では,3次元空間参照と計測の両方を初めて実現した3D対応VLMであるRoboTracerを提案する。
RoboTracerは、強化微調整により、多段階のメートル法推論を進める。
本稿では,空間的トレーシングを評価する上で困難なベンチマークであるTraceSpatial-Benchを提案する。
論文 参考訳（メタデータ） (2025-12-15T18:52:43Z) - UAV-MM3D: A Large-Scale Synthetic Benchmark for 3D Perception of Unmanned Aerial Vehicles with Multi-Modal Data [47.317955428393134]
UAV-MM3Dは,低高度UAV知覚と動作理解のための多モード合成データセットである。
様々なシーン(都市部、郊外部、森林部、沿岸部)と気象条件にまたがる400Kの同期フレームで構成されている。
各フレームは2D/3Dバウンディングボックス、6-DoFのポーズ、インスタンスレベルのアノテーションを提供し、3D検出、ポーズ推定、ターゲット追跡、短期軌道予測などのUAVに関連するコアタスクを可能にする。
論文 参考訳（メタデータ） (2025-11-27T12:30:28Z) - Toward Onboard AI-Enabled Solutions to Space Object Detection for Space Sustainability [29.817805350971366]
本稿では,空間物体検出のための視覚センサの実現可能性と有効性について検討する。
Squeeze-and-Excitation (SE) 層, Vision Transformer (ViT) および Generalized Efficient Layer Aggregation Network (GELAN) に基づくモデルを導入する。
実験の結果, 提案モデルでは, 結合閾値0.5(mAP50)の交点平均精度が0.751, 結合閾値0.5から0.95(mAP50:95)の交点平均精度が0.280に達することがわかった。
論文 参考訳（メタデータ） (2025-05-03T01:56:52Z) - Sensing for Space Safety and Sustainability: A Deep Learning Approach with Vision Transformers [29.817805350971366]
本稿では,衛星物体検出(SOD)タスクと搭載型ディープラーニング(DL)タスクについて論じる。
GELAN-ViTとGELAN-RepViTと呼ばれる2つの新しいDLモデルが提案されている。
これらのモデルは平均平均精度(mAP)と計算コストにおいて最先端のYOLOv9-tを上回っている。
論文 参考訳（メタデータ） (2024-12-12T03:51:50Z) - SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。
具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。
各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T07:03:51Z) - A lightweight and accurate YOLO-like network for small target detection
in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。
YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。
YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文 参考訳（メタデータ） (2022-04-05T16:29:49Z) - Integrating LEO Satellite and UAV Relaying via Reinforcement Learning
for Non-Terrestrial Networks [51.05735925326235]
低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。
軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。
エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。
本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
論文 参考訳（メタデータ） (2020-05-26T05:39:27Z)
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。