論文の概要: Remote Awareness of Seafloor Images Collected by AUVs over Low-Bandwidth Communication Links
- arxiv url: http://arxiv.org/abs/2607.18013v1
- Date: Mon, 20 Jul 2026 14:46:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.662687
- Title: Remote Awareness of Seafloor Images Collected by AUVs over Low-Bandwidth Communication Links
- Title（参考訳）: AUVによる低帯域通信リンク上の海底画像のリモート認識
- Authors: Adrian Bodenmann, Cailei Liang, Miquel Massot-Campos, Samuel Simmons, Alexander B. Phillips, Alberto Consensi, Matthew Kingsland, Rashiid Sherif, Stan Brown, Adam Riese, Blair Thornton,
- Abstract要約: 本稿では,低帯域通信リンク上での自律型水中車両(AUV)画像のリアルタイム処理と伝送手法を提案する。
人工知能(AI)技術を活用して、データセット全体を最もよく表すイメージのセットを特定したり、与えられたクエリイメージに最もよく似たイメージを自動的に見つけてオペレータに送信する。
2時間47分間のマッピングミッションのデータ要約を、低帯域幅の衛星通信でわずか34分で送信することができる。
- 参考スコア（独自算出の注目度）: 29.728317289925524
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper introduces a method for real-time processing and transmission of autonomous underwater vehicle (AUV) imagery over low-bandwidth communication links. It leverages artificial intelligence (AI) techniques to identify a set of images that best represent an entire dataset, or automatically finds the most similar images to a given query image for transmission to operators. Combined with metadata of a larger set of images, compressed versions of the selected images can be transmitted over satellite communication links or underwater modems, and provide operators on shore with information about the type of imagery the AUV is collecting while it is still deployed. Data from three deployments off the coast of the UK and in Gran Canaria using different AUVs and imaging systems demonstrate the method in the field. It achieved an almost 400,000-fold reduction in data volume compared to the raw data size, enabling transmission of data summaries of a 2-hour 47-minute-long mapping mission in just over 34 minutes over low-bandwidth satellite communication.
- Abstract（参考訳）: 本稿では,低帯域通信リンク上での自律型水中車両(AUV)画像のリアルタイム処理と伝送手法を提案する。
人工知能(AI)技術を活用して、データセット全体を最もよく表すイメージのセットを特定したり、与えられたクエリイメージに最もよく似たイメージを自動的に見つけてオペレータに送信する。
より大きな画像のメタデータと組み合わせることで、選択された画像の圧縮版を衛星通信リンクや水中モデムを介して送信することができ、AUVがまだ展開中に収集している画像の種類に関する情報を沿岸のオペレータに提供することができる。
イギリス沿岸とグランカナリアの3つの展開から得られたデータは、異なるAUVとイメージングシステムを用いて、この分野の手法を実証している。
2時間47分間のマッピングミッションのデータ要約を、低帯域幅の衛星通信でわずか34分で送信することができる。
関連論文リスト
- Text-RSIR: A Text-Guided Framework for Efficient Remote Sensing Image Transmission and Reconstruction [5.382246566026898]
高解像度リモートセンシング画像は, 環境モニタリング, 都市マッピング, 土地被覆解析に重要である。
従来のパイプラインは全解像度のピクセルデータを送信し、冗長で非効率な配信をもたらす。
本稿では,高解像度データをコンパクトなテキスト記述を伴う低解像度画像に置き換えるテキスト誘導型リモートセンシング画像伝送システムを提案する。
論文 参考訳（メタデータ） (2026-05-15T02:54:43Z) - Contrastive Image-Metadata Pre-Training for Materials Transmission Electron Microscopy [18.02287569585975]
本研究では,高角角角角暗視野走査TEM(HAADF-STEM)画像のデータセットについて紹介する。
これらの埋め込みは、画像スタイルと取得パラメータをリンクし、生成スタイル転送ネットワークのトレーニングを可能にする。
本稿では,ネットワークの性能を評価し,物理的認知のための手法の有用性について検討する。
論文 参考訳（メタデータ） (2026-04-27T18:42:07Z) - Semantic-Aware UAV Command and Control for Efficient IoT Data Collection [5.735035463793007]
無人航空機(UAV)はIoT(Internet of Things)デバイスからのデータ収集のための重要なイネーブラー技術として登場した。
本稿では,UAVコマンド・アンド・コントロール(C&C)とセマンティックコミュニケーションを統合し,IoTデバイスからの効率的な画像データ収集を実現する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-09T12:12:58Z) - StreakNet-Arch: An Anti-scattering Network-based Architecture for Underwater Carrier LiDAR-Radar Imaging [44.96583097079915]
我々は,我々の開発した水中キャリアLiDAR-Radar(UCLR)に基づくリアルタイムエンドツーエンドバイナリ分類フレームワークであるStreakNet-Archを紹介した。
制御された水槽検証条件下では、StreakNet-Arch with Self-Attention または DBC-Attention が従来のバンドパスフィルタリングより優れている。
南シナ海におけるUCLRシステムの検証を行い,深度1000m,幅20mの3Dターゲットに対して46mmの誤差に達した。
論文 参考訳（メタデータ） (2024-04-14T06:19:46Z) - Rethinking Transformers Pre-training for Multi-Spectral Satellite
Imagery [78.43828998065071]
教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。
このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。
本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
論文 参考訳（メタデータ） (2024-03-08T16:18:04Z) - Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳（メタデータ） (2023-08-31T16:26:17Z) - Synthesizing Optical and SAR Imagery From Land Cover Maps and Auxiliary
Raster Data [14.407683537373325]
我々はランドカバーマップから光学RGBと合成開口レーダ(SAR)のリモートセンシング画像とGANを用いた補助データの両方を合成する。
リモートセンシングでは、デジタル標高モデル(DEM)や降水マップのような多くの種類のデータが土地被覆地図に反映されないことが多いが、それでも画像の内容や構造に影響を与える。
本手法は, 対応するデータセットを用いて, メディア(10m) と高(1m) の解像度画像の合成に成功している。
論文 参考訳（メタデータ） (2020-11-23T10:28:10Z) - Single Image Super-Resolution for Domain-Specific Ultra-Low Bandwidth
Image Transmission [1.5469452301122177]
水中音響通信のような低帯域通信は、最高速度30-50kbit/sで制限される。
本研究は,漁網にカメラを設置したトロール漁で得られた多種多様なデータセットについて検討した。
ニューラルネットワークは、元のイメージを再構築しようと、アップサンプリングを行うように訓練される。
論文 参考訳（メタデータ） (2020-09-09T06:44:30Z) - X-ModalNet: A Semi-Supervised Deep Cross-Modal Network for
Classification of Remote Sensing Data [69.37597254841052]
我々はX-ModalNetと呼ばれる新しいクロスモーダルディープラーニングフレームワークを提案する。
X-ModalNetは、ネットワークの上部にある高レベルな特徴によって構築されたアップダスタブルグラフ上にラベルを伝搬するため、うまく一般化する。
我々は2つのマルチモーダルリモートセンシングデータセット(HSI-MSIとHSI-SAR)上でX-ModalNetを評価し、いくつかの最先端手法と比較して大幅に改善した。
論文 参考訳（メタデータ） (2020-06-24T15:29:41Z)
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。