論文の概要: DynaFilter: Cloud-driven Dynamic Filtering for Satellite Edge Intelligence
- arxiv url: http://arxiv.org/abs/2607.10098v1
- Date: Sat, 11 Jul 2026 03:28:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.301502
- Title: DynaFilter: Cloud-driven Dynamic Filtering for Satellite Edge Intelligence
- Title（参考訳）: DynaFilter: 衛星エッジインテリジェンスのためのクラウド駆動動的フィルタリング
- Abstract要約: DynaFilterは動的フィルタリング技術で、衛星エッジデバイスが圧縮ドメイン内で直接、選択的な関心領域(RoI)推論を行うことができる。
そこで,DynaFilterはデコードのためのピクセルデータの総量を1.6x-7.1x削減する。
最先端のベースラインに比べて92.0%の帯域節約を実現している。
- 参考スコア（独自算出の注目度）: 24.492347669238175
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern satellite edge systems, including those performing remote sensing tasks such object detection and tracking, are characterized by severely limited bandwidth and intermittent connections, making continuous data transmission to the cloud impractical. Existing edge-cloud systems, however, either require heavy pre-processing before analysis, for instance, full decompression of imagery data, or transmit all compressed data regardless of relevance. To address these challenges, we design DynaFilter, a dynamic filtering technique that enables satellite edge devices to perform selective region-of-interest (RoI) inference directly in the compressed-domain, without full decompression. Our key insight is that low-level compression syntax, specifically DC coefficients/AC energy in JPEG images and motion vectors in video streams, exhibits strong correlations with high-level semantic queries. By establishing a precise mapping between cloud query semantics and multimodal compressed-domain features, DynaFilter enables the edge to identify and transmit only relevant data associated to RoIs. Extensive evaluations show that DynaFilter reduces the total volume of pixel data for decoding and subsequent inference by 1.6x-7.1x for images, and achieves 92.0% bandwidth savings for video streams compared to state-of-the-art baselines. Furthermore, it decreases energy consumption by 43.1-88.6% on target devices and achieves a 1.6x-3.0x speedup in inference latency.
- Abstract（参考訳）: オブジェクト検出や追跡などのリモートセンシングタスクを行うものを含む現代の衛星エッジシステムは、非常に限られた帯域幅と断続的な接続によって特徴付けられる。
しかし、既存のエッジクラウドシステムでは、分析の前に大量の事前処理を必要とする。
これらの課題に対処するために、衛星エッジデバイスが圧縮領域内で直接、完全に圧縮されることなく、選択的な関心領域(RoI)推論を実行できるようにする動的フィルタリング技術であるDynaFilterを設計する。
我々の重要な洞察は、低レベルの圧縮構文、特にJPEG画像のDC係数/ACエネルギー、ビデオストリームのモーションベクトルは、高レベルのセマンティッククエリと強い相関を示すことである。
クラウドクエリセマンティクスとマルチモーダル圧縮ドメイン機能との正確なマッピングを確立することで、DynaFilterはエッジがRoIに関連するデータのみを特定し、送信することを可能にする。
広範評価の結果,DynaFilterは画像のデコードとその後の推論のためにピクセルデータの総量を1.6x-7.1x削減し,最先端のベースラインに比べて92.0%の帯域節約を実現している。
さらに、ターゲットデバイス上でのエネルギー消費を43.1-88.6%削減し、推論遅延の1.6x-3.0xスピードアップを達成する。
関連論文リスト
- High-Speed Full-Color HDR Imaging via Unwrapping Modulo-Encoded Spike Streams [83.83721273785281]
高速フルカラーHDR取得が可能な全変調HDRイメージングシステムを提案する。
このアプローチの核心は、複数の測定を時間内にインターリーブできる、露出分離型モジュロイメージングの定式化である。
本システムの実現可能性を検証するため,モジュール符号化スパイクストリームに基づく概念実証ハードウェアの実装を実証した。
論文 参考訳（メタデータ） (2026-04-16T05:20:38Z) - CIAR: Interval-based Collaborative Decoding for Image Generation Acceleration [47.52310736101766]
自動回帰(AR)モデルは最近画像生成において顕著な進歩を遂げ、拡散ベースのアプローチに匹敵するパフォーマンスを実現している。
我々は、デバイス上での自己検証を利用して視覚合成の2つの重要な特性を扱うクラウド・デバイス・コラボレーション・フレームワークである textbfCIAR を通じてこの問題に対処する。
提案手法は, 連続確率間隔を用いて処理を高速化し, 大規模視覚語彙で実現可能なオンデバイストークン不確実性定量化器に重点を置いている。
論文 参考訳（メタデータ） (2026-03-26T14:04:50Z) - D-Compress: Detail-Preserving LiDAR Range Image Compression for Real-Time Streaming on Resource-Constrained Robots [2.6111100616898852]
D-Compressは、リアルタイムストリーミングのための新しいディテール保存と高速レンジ画像圧縮フレームワークである。
最新技術 (SOTA) 圧縮法は, 幾何的精度と下流タスク性能の両方で優れる。
論文 参考訳（メタデータ） (2026-03-14T02:15:25Z) - IrisNet: Infrared Image Status Awareness Meta Decoder for Infrared Small Targets Detection [92.56025546608699]
IrisNetは、入力赤外線画像ステータスに検出戦略を適用する、新しいメタ学習フレームワークである。
提案手法は,赤外線画像特徴量とデコーダパラメータ全体の動的マッピングを確立する。
NUDT-SIRST、NUAA-SIRST、IRSTD-1Kデータセットの実験は、我々のIrisNetの優位性を示している。
論文 参考訳（メタデータ） (2025-11-25T13:53:54Z) - VideoCompressa: Data-Efficient Video Understanding via Joint Temporal Compression and Spatial Reconstruction [55.66673587952058]
ビデオ理解モデルは、大規模データセットの禁止ストレージと計算コストによって、ますます制限されている。
VideoCompressaはビデオデータ合成のための新しいフレームワークで、動的潜在圧縮として問題を再構成する。
論文 参考訳（メタデータ） (2025-11-24T07:07:58Z) - Have We Scene It All? Scene Graph-Aware Deep Point Cloud Compression [18.40946383877556]
セマンティックシーングラフに基づくディープ圧縮フレームワークを提案する。
このフレームワークは最先端の圧縮速度を実現し,データサイズを最大98%削減することを示す。
マルチロボットのポーズグラフ最適化やマップマージといった下流アプリケーションをサポートする。
論文 参考訳（メタデータ） (2025-10-09T17:45:09Z) - Point Cloud-Assisted Neural Image Compression [35.46346027449056]
本稿では,点雲の助けを借りて画像圧縮性能を向上させる。
画像テクスチャと構造を保存するための点雲支援ニューラルネットワーク(PCA-NIC)を提案する。
私たちの研究は、ポイントクラウドを用いて画像圧縮性能を初めて改善し、最先端のパフォーマンスを実現しました。
論文 参考訳（メタデータ） (2024-12-16T13:44:26Z) - STAC: Leveraging Spatio-Temporal Data Associations For Efficient Cross-Camera Streaming and Analytics [5.752749052742801]
分散カメラネットワークでは、高帯域要求と冗長な視覚データにより、リアルタイムマルチカメラビデオ分析が課題となっている。
制約されたネットワーク条件下での効率的な物体追跡のために,マルチ時間アソシエーションを利用したクロスカメラ監視システムSTACを提案する。
論文 参考訳（メタデータ） (2024-01-27T04:02:52Z) - CD-CTFM: A Lightweight CNN-Transformer Network for Remote Sensing Cloud
Detection Fusing Multiscale Features [5.600932842087808]
この問題を解決するために,CD-CTFMという軽量CNN-Transformerネットワークを提案する。
CD-CTFMはエンコーダ・デコーダアーキテクチャに基づいており、アテンション機構を組み込んでいる。
提案モデルは,38-CloudとMODISの2つのクラウドデータセットで評価される。
論文 参考訳（メタデータ） (2023-06-12T15:37:18Z) - Alignment-free HDR Deghosting with Semantics Consistent Transformer [76.91669741684173]
高ダイナミックレンジイメージングは、複数の低ダイナミックレンジ入力から情報を取得し、リアルな出力を生成することを目的としている。
既存の手法では、前景やカメラの動きによって引き起こされる入力フレーム間の空間的ずれに焦点を当てることが多い。
本研究では,SCTNet(Semantics Consistent Transformer)を用いたアライメントフリーネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-29T15:03:23Z) - You Can Ground Earlier than See: An Effective and Efficient Pipeline for
Temporal Sentence Grounding in Compressed Videos [56.676761067861236]
ビデオがトリミングされていない場合、時間的文のグラウンド化は、文問合せに従って目的のモーメントを意味的に見つけることを目的としている。
それまでの優れた作品は、かなり成功したが、それらはデコードされたフレームから抽出されたハイレベルな視覚的特徴にのみ焦点を当てている。
本稿では,圧縮された映像を直接視覚入力として利用する,圧縮された領域のTSGを提案する。
論文 参考訳（メタデータ） (2023-03-14T12:53:27Z)
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。