論文の概要: Towards Autonomous Aircraft Surveillance from Nanosatellites through On-Board Inference and Generative Data Augmentation

• arxiv url: http://arxiv.org/abs/2607.28470v1
• Date: Thu, 30 Jul 2026 16:26:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.660357
• Title: Towards Autonomous Aircraft Surveillance from Nanosatellites through On-Board Inference and Generative Data Augmentation
• Title（参考訳）: ナノサテライトのオンボード推論と生成データ拡張による自律型航空機監視に向けて
• Abstract要約: 低出力エッジテンソルアクセラを備えた6Uキューブサットで推論を実行する。 低ランク適応により微調整された拡散モデルが合成マイノリティ画像を生成する。 この合成出力は、中間検出器によって自動的にアノテートされ、擬似ラベリングされ、古典的に強化されたサンプルとマージされる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Airborne surveillance from low Earth orbit is hindered by two interconnected bottlenecks: nanosatellites have a limited downlink budget, yet the conventional approach still transmits terabytes of raw imagery to the ground for processing, and open satellite datasets for aircraft are scarce and severely class-imbalanced. These limitations either delay timely decision-making or prevent standard detectors from learning robust representations of rare aircraft classes. In this paper, a workflow that combines on-board inference with generative data augmentation is proposed to address both limitations jointly. Inference is executed on a 6U CubeSat equipped with a low-power edge tensor accelerator, while a diffusion model fine-tuned through low-rank adaptation generates synthetic minority-class imagery. This synthetic output is automatically annotated, pseudo-labelled, by an intermediate detector and merged with classically augmented samples. The results show that the balanced dataset increases global mean average precision from 77.9% to 82.2%, with the minority class rising from F1=0.683 to F1=0.811, and that the quantised detector fits the on-chip memory and projects 25-30 frames per second on orbit. This approach contrasts with the conventional bent-pipe architecture, in which the satellite acts as a passive data collector. Therefore, the computational tests support the proposed workflow as a decision-support tool for real-time, autonomous airborne surveillance from nanosatellites.
• Abstract（参考訳）: ナノサテライトのダウンリンク予算は限られているが、従来のアプローチは依然としてテラバイト単位の原像を地上に送信し、航空機用の衛星データセットは乏しく、非常に不均衡である。 これらの制限は、タイムリーな意思決定を遅らせるか、希少な航空機クラスの堅牢な表現を学ぶのを防ぐかのどちらかである。 本稿では,オンボード推論と生成データ拡張を組み合わせたワークフローを提案する。 低出力エッジテンソルアクセラを備えた6Uキューブサット上で推論を行い、低ランク適応により微調整された拡散モデルにより合成マイノリティ画像を生成する。 この合成出力は、中間検出器によって自動的にアノテートされ、擬似ラベリングされ、古典的に強化されたサンプルとマージされる。 その結果、バランスの取れたデータセットは世界平均精度を77.9%から82.2%に引き上げ、マイノリティクラスはF1=0.683からF1=0.811に上昇し、量子化された検出器はオンチップメモリに適合し、軌道上で毎秒25-30フレームを投影することを示した。 このアプローチは、衛星が受動的データコレクタとして機能する従来のベントパイプアーキテクチャとは対照的である。 そのため,計算実験では,ナノサテライトからリアルタイムかつ自律的な空中監視を行うための意思決定支援ツールとして,提案したワークフローをサポートする。

関連論文リスト

• Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
  イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。 本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。 公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
  論文  参考訳（メタデータ） (2026-08-25T08:27:42Z)
• TailBooster: A Dual-Layer Generative Framework for Extreme Value Augmentation with Operational Validity Enforcement [0.0]
  航空輸送における極度の出来事は、大規模な運用、経済、安全コストを伴うカスケードネットワークの破壊を引き起こす。 合成データ拡張は、原則化された解を提供するが、従来の生成モデルは分布尾を表現していない。 生成モデルと異常検出層を組み合わせた二重層生成フレームワークTailBoosterを提案する。
  論文  参考訳（メタデータ） (2026-08-12T11:37:09Z)
• Hierarchically Decoupled Mixture-of-Experts for Robust Traffic Sign Recognition in Complex Driving Scenarios [6.121863091287242]
  CBDES MoE TSRは、交通信号認識のための階層的に分離されたヘテロジニアス混合物(MoE)フレームワークである。 ゲーティングモジュールは、入力画像の意味特性に基づいて、エキスパートプールから最も適したエキスパートモデルを選択的に活性化する。 実験結果から,本手法は検出精度と効率の相違が顕著であることがわかった。
  論文  参考訳（メタデータ） (2026-06-01T07:39:44Z)
• DRIFT: Joint Channel Estimation and Prediction Towards Pilotless 6G Non-Terrestrial Networks [42.98774141919918]
  非地球ネットワーク(NTN)は、ユビキタス接続と大規模な通信を可能にすることにより、第6世代(6G)システムにおいて重要な役割を果たすことが期待されている。 チャネル予測は、パイロットのオーバーヘッドを制限することでスペクトル利用効率を向上させるための重要な手法として現れる。 人工知能(AI)に基づく多くの予測器は推論の複雑さが特徴である。
  論文  参考訳（メタデータ） (2026-05-29T09:35:35Z)
• FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
  FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。 FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。 我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
  論文  参考訳（メタデータ） (2026-05-27T08:55:54Z)
• SpecFuse: A Spectral-Temporal Fusion Predictive Control Framework for UAV Landing on Oscillating Marine Platforms [6.921143850808118]
  周波数領域の時間-時間波分解を統合した新しいスペクトル融合フレームワークを提案する。 複雑なキャリブレーションに頼ることなく、IMUデータを介してリアルタイムに予測を洗練する。 3.2cmの予測誤差、4.46cmの着陸偏差、98.7% / 87.5%の成功率(2000/実世界)、82msの組込みハードウェアの遅延を達成し、44%-48%の精度で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2026-02-17T15:03:05Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Secure and Efficient Federated Learning in LEO Constellations using Decentralized Key Generation and On-Orbit Model Aggregation [1.4952056744888915]
  本稿では、LEO星座向けに設計されたセキュアFLアプローチであるFedSecureを提案する。 FedSecureは、各衛星のデータのプライバシーを、盗聴者、好奇心の強いサーバー、または好奇心の強い衛星に対して保護する。 また、収束の遅れは数日から数時間に劇的に減少するが、85.35%の精度に達する。
  論文  参考訳（メタデータ） (2023-09-04T21:36:46Z)
• Turning Channel Noise into an Accelerator for Over-the-Air Principal Component Analysis [65.31074639627226]
  主成分分析(PCA)は、データセットの線形構造を抽出するための技術です。 勾配降下アルゴリズムに基づくマルチアクセスチャネル上にPCAを配置する手法を提案する。 オーバー・ザ・エア・アグリゲーションはマルチ・アクセスの遅延を減らすために採用され、オーバー・ザ・エア・PCAという名称を与える。
  論文  参考訳（メタデータ） (2021-04-20T16:28:33Z)
• 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。