論文の概要: A Generic On-Board AI Processing Chain for Earth Observation: From Application Development to Embedded Deployment and Mission-Level Orchestration

• arxiv url: http://arxiv.org/abs/2610.26340v1
• Date: Mon, 19 Oct 2026 13:08:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 18:13:39.215936
• Title: A Generic On-Board AI Processing Chain for Earth Observation: From Application Development to Embedded Deployment and Mission-Level Orchestration
• Title（参考訳）: 地球観測のための汎用オンボードAI処理チェーン:アプリケーション開発から組込み展開とミッションレベルオーケストレーションまで
• Abstract要約: 3つの軸に沿って汎用的なAI処理チェーンを提示し、その例としてワイルドファイアセグメンテーションを挙げる。 モジュール型のタイラー推論モザイクワークフローは、アプリケーション間で再利用されることなく、タイルレベルのモデルをシーンレベルにします。 このアプローチは、完全な処理チェーンに対処することによって、オンボードAIデプロイメントの成熟度を高めることを目的としている。
• 参考スコア（独自算出の注目度）: 0.15739505347584556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Earth observation satellites acquire more data than they can downlink. Extracting information on board with artificial intelligence (AI) turns the satellite into a data-reduction stage that downlinks compact products, such as masks or detections, instead of full scenes; deploying it in a mission, however, involves the whole processing chain and not only the neural network. We present a generic on-board AI processing chain along three axes, with wildfire segmentation as the worked example among ship detection and cloud segmentation. (i) The AI model is tuned (spectral-band selection, input normalization), quantized to 8-bit integers (int8) and ported to an AMD Versal VCK190, with its excellent segmentation performance preserved on the board. (ii) A modular tiler-inference-mosaicer workflow, reused unchanged across applications, brings the tile-level model to scene level, turning a full acquisition into a scene-level mask or detection list. (iii) Each step is packaged as a unikernel and orchestrated on board by ORCHIDE, a cloud-native orchestrator. The chain is characterized end to end, from the standalone execution on the target to its execution under orchestration with parallel workflows on a representative test bench. Beyond AI inference on individual tiles, this approach aims at increasing the maturity of on-board AI deployment by addressing a complete processing chain, from the acquired scene to the mission-level execution.
• Abstract（参考訳）: 地球観測衛星は、ダウンリンクよりも多くのデータを取得する。 人工知能(AI)によって搭載されている情報を抽出することで、衛星は全シーンではなくマスクや検出などのコンパクトな製品をダウンリンクするデータ還元ステージへと変換される。 船の検知と雲のセグメンテーションの作業例として,山火事セグメンテーションを用いた3つの軸に沿った汎用AI処理チェーンを提案する。 i)AIモデルは、(スペクトル帯域選択、入力正規化)調整され、8ビット整数(int8)に量子化され、AMD Versal VCK190に移植され、優れたセグメンテーション性能がボード上に保持される。 (ii)アプリケーション間で再利用されないモジュール型のタイラー推論モザイクワークフローは、タイルレベルのモデルをシーンレベルにし、完全な取得をシーンレベルのマスクや検出リストに変換する。 (iii)各ステップは単一カーネルとしてパッケージ化され、クラウドネイティブなオーケストレータであるORCHIDEによって編成される。 チェーンは、ターゲットのスタンドアロン実行から、代表的なテストベンチでの並列ワークフローによるオーケストレーション実行に至るまで、エンドツーエンドで特徴付けられる。 このアプローチは、個々のタイルに対するAI推論以外にも、取得したシーンからミッションレベルの実行に至るまで、完全な処理チェーンに対処することで、オンボードAIデプロイメントの成熟度を高めることを目指している。

関連論文リスト

• Promptable Concept Segmentation from Above: Evaluating SAM 3's Zero-Shot and One-Shot Capabilities in Remote Sensing [0.42970700836450487]
  本稿では,リモートセンシングシーンの分類,オブジェクト検出,インスタンスのセグメンテーションにまたがる総合的,マルチタスクな経験的評価について述べる。 我々の結果は、SAM 3がレガシーなドメイン適応モデルでよく見られる過度な適合を避けることを実証している。 サブピクセル解像度制限と、オーバーヘッドセマンティックブラインドスポットによって、基本的に制限されている。
  論文  参考訳（メタデータ） (2026-07-10T16:33:05Z)
• BTI-Net: Bidirectional Decoder-Level Task Interaction via Uncertainty-Aware Gating for Multi-Task Medical Image Analysis [2.8218290601001854]
  BTI-Netは、タスクインタラクションモジュールを介して2つの並列経路を介して、デコーダレベルで双方向通信を確立する。 不確実性プロキシアテンションは、クロスタスクアライメント、シーンの複雑さ、予測信頼性をキャプチャする3つの信号を使用して、インスタンス毎とレベル毎のTIM出力をゲートする。 超音波、皮膚内視鏡、脳MRIの3つの医療ベンチマークの実験では、セグメンテーションIoUが一貫した改善を示し、エンコーダ共有とデコーダ相互作用ベースラインの両方に対して分類精度が向上した。
  論文  参考訳（メタデータ） (2026-06-27T22:37:26Z)
• ANCHOR: Branch-Point Data Generation for GUI Agents [52.22377425487]
  デスクトップ環境向けのエンドツーエンドGUIエージェントは、大量の高品質なインタラクションデータを必要とする。 本稿では,拡張フレームワークであるAnchorについて紹介する。このフレームワークは,小規模で検証済みのシードデモから,スケーラブルなデスクトップ監視をブートストラップする。 OSWorldとWindowsAgentArenaの標準デスクトップベンチマークの実験では、拡張されたコーパスに微調整されたモデルが一貫した改善を実現している。
  論文  参考訳（メタデータ） (2026-02-06T19:55:26Z)
• Multi-Correlation Siamese Transformer Network with Dense Connection for 3D Single Object Tracking [14.47355191520578]
  ポイントクラウドベースの3Dオブジェクトトラッキングは、自動運転において重要なタスクである。 スパースLIDARポイントクラウドデータでテンプレートと検索ブランチの相関を効果的に学習することは依然として困難である。 本稿では,複数のステージを持つマルチ相関シームス変圧器ネットワークを提案し,各ステージの最後に特徴相関を行う。
  論文  参考訳（メタデータ） (2023-12-18T09:33:49Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D Point Clouds [95.54285993019843]
  本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。 本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
  論文  参考訳（メタデータ） (2022-11-01T20:59:38Z)
• Image Understands Point Cloud: Weakly Supervised 3D Semantic Segmentation via Association Learning [59.64695628433855]
  ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。 基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。 提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-16T07:59:04Z)
• End-to-End Object Detection with Fully Convolutional Network [71.56728221604158]
  エンドツーエンド検出を実現するために,分類のための予測対応ワン・ツー・ワン (POTO) ラベルの割り当てを導入する。 局所領域における畳み込みの判別性を向上させるために, 簡易な3次元maxフィルタ(3dmf)を提案する。 エンドツーエンドのフレームワークは,COCOおよびCrowdHumanデータセット上のNMSを用いて,最先端の多くの検出器と競合する性能を実現する。
  論文  参考訳（メタデータ） (2020-12-07T09:14:55Z)

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。