論文の概要: AI-Based On-Board Maritime Object Detection for Earth Observation Payload Data Reduction on Versal Embedded Hardware

• arxiv url: http://arxiv.org/abs/2610.12182v1
• Date: Thu, 08 Oct 2026 15:48:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.126703
• Title: AI-Based On-Board Maritime Object Detection for Earth Observation Payload Data Reduction on Versal Embedded Hardware
• Title（参考訳）: 垂直組込みハードウェア上での地球観測負荷データ削減のためのAIを用いたオンボード海事物体検出
• Abstract要約: 本研究は, 船舶の船体検出を, ダウンリンクされているものを選択する方法として検討する。 密集した港や海岸のシーンでは、タイルが98%、シーン体積が29%、作物が83%を占めています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Very-high-resolution Earth-observation satellites acquire more data than they can store and downlink, while in maritime surveillance the vessels cover a tiny fraction of each scene. We study onboard vessel detection as a way to select what is downlinked, which reduces the data according to its content rather than coding every pixel; it is complementary to conventional onboard compression. The work follows three axes. (i) Data and algorithm: a controlled dataset is generated from 68 annotated Maxar scenes with 43 vessel classes, and a YOLOX-S detector is trained on it. (ii) Embedded deployment: the detector is quantized and deployed on the DPU of a Versal VC1902, with a limited loss of detection quality and a processing time of a few seconds per scene. (iii) Data reduction: we propose several downlink modes, from metadata only (box, class and score of each detection) to image crops around vessels, tiles holding detections, or the whole scene with a degraded background, and estimate from the measured detection errors the trade-off each offers between the vessels kept and the volume downlinked. On our dense harbor and coastal scenes, tiles keep 98% of the vessels with 29% of the scene volume, and crops 83% with 3%.
• Abstract（参考訳）: 非常に高解像度の地球観測衛星は、保存やダウンリンクよりも多くのデータを取得し、海上監視では、船は各シーンのごく一部をカバーしている。 本研究は,各画素を符号化するのではなく,その内容に応じてデータ量を削減し,ダウンリンクの選択方法として船体検出について検討する。 作品には3つの軸がある。 i)データとアルゴリズム:68のアノテートMaxarシーンと43のコンテナクラスから制御されたデータセットを生成し、その上でYOLOX-S検出器を訓練する。 (ii)組込み配置:検出器を量子化し、Versal VC1902のDPU上に展開し、検出品質の低下と1シーンあたり数秒の処理時間に制限される。 3) データの低減: メタデータのみ(各検出のボックス,クラス,スコア)から, 容器周囲の作物, 検出保持タイル, 背景が劣化したシーン全体の画像化に至るまで, いくつかのダウンリンクモードを提案し, 保持された容器とボリュームダウンリンク間のトレードオフを推定する。 密集した港や海岸のシーンでは、タイルが98%、シーン体積が29%、作物が83%を占めています。

関連論文リスト

• UniqueShip: Mitigating Data Leakage in Acoustic Ship Classification Benchmark Datasets [3.8240667211978163]
  水中音響目標認識のための機械学習対応ベンチマークデータセットであるUniqueShipを紹介する。 従来のデータセットとは異なり、トレーニングセットと評価セットの間に"データ漏洩"を明示的に制御します。 UniqueShipには4,218隻のユニークな船から2,460時間の船舶放射音がある。
  論文  参考訳（メタデータ） (2026-09-12T02:31:38Z)
• WUTDet: A 100K-Scale Ship Detection Dataset and Benchmarks with Dense Small Objects [68.44670476527155]
  WUTDetは100,576イメージと381,378のアノテートされた船舶インスタンスを備えた大規模な船舶検出データセットである。 CNN, Transformer, Mambaの3つの主流検出アーキテクチャから20のベースラインモデルを体系的に評価した。 Ship-GENの結果は、WUTDetでトレーニングされたモデルは、異なるデータ分布下でより強力な一般化を示すことを示している。
  論文  参考訳（メタデータ） (2026-04-09T03:28:05Z)
• Lightweight CNNs for Embedded SAR Ship Target Detection and Classification [0.0]
  高レベルの製品を生成するためのオンボード処理は、ダウンリンクが必要なデータ量を減らすことができる。 本研究では,非焦点SARデータに基づくリアルタイム推論のためのニューラルネットワークの提案と評価を行う。
  論文  参考訳（メタデータ） (2025-08-14T14:55:19Z)
• Ship Detection in Remote Sensing Imagery for Arbitrarily Oriented Object Detection [0.0]
  本研究では,海洋モニタリングや生態モニタリングなどの応用に適した,革新的な船舶検知システムを提案する。 YOLOv8と2つの高度なディープラーニングモデルであるU-Netを用いて、船舶検出精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-03-17T10:49:41Z)
• Low-power Ship Detection in Satellite Images Using Neuromorphic Hardware [1.4330085996657045]
  オンボードのデータ処理は、船を識別し、地上に送られるデータの量を削減できる。 船上で撮影されたほとんどの画像は水域や陸地のみを含み、エアバス船検出データセットでは船を含む画像の22.1%しか示していない。 1つの複雑なモデルに頼るのではなく、パフォーマンスを最適化する低消費電力2段階システムを構築した。
  論文  参考訳（メタデータ） (2024-06-17T08:36:12Z)
• Sparse Points to Dense Clouds: Enhancing 3D Detection with Limited LiDAR Data [68.18735997052265]
  単分子と点雲に基づく3次元検出の利点を組み合わせたバランスの取れたアプローチを提案する。 本手法では,低コストで低解像度のセンサから得られる3Dポイントを少数必要としている。 3次元検出の精度は最先端の単分子検出法と比較して20%向上する。
  論文  参考訳（メタデータ） (2024-04-10T03:54:53Z)
• Image and AIS Data Fusion Technique for Maritime Computer Vision Applications [1.482087972733629]
  本研究では,AIS(Automatic Identification System)データと画像に検出された容器を融合させてデータセットを作成する手法を開発した。 提案手法は, 距離と方位を推定することにより, 検出した船舶を対応するAISメッセージに関連付ける。 この技術は、水路交通管理、遭遇検知、監視のためのデータセットを作成するのに有用である。
  論文  参考訳（メタデータ） (2023-12-07T20:54:49Z)
• xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture Radar Imagery [52.67592123500567]
  世界の漁業は海洋資源や生態系に大きな脅威をもたらす。 夜間または夜間、全天候下で暗黒船の自動検出が可能となった。 xView3-SARは、Sentinel-1ミッションから得られた1000近い分析可能なSAR画像で構成されている。
  論文  参考訳（メタデータ） (2022-06-02T06:53:45Z)
• Detection, Tracking, and Counting Meets Drones in Crowds: A Benchmark [97.07865343576361]
  DroneCrowdという新しいドローンキャプチャ型大規模データセットによるベンチマークを構築した。 私たちは4800万人の頭といくつかのビデオレベルの属性を持つ20,800人のトラジェクタに注釈を付けます。 我々は、密集した群衆の物体の検出、追跡、数え上げを行うための強力なベースラインとして、Space-Time Neighbor-Aware Network (STNNet)を設計する。
  論文  参考訳（メタデータ） (2021-05-06T04:46:14Z)
• Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
  ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。 Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
  論文  参考訳（メタデータ） (2020-02-10T15:25:19Z)

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。