論文の概要: In-orbit demonstration of object-based change detection applied to the maritime domain
- arxiv url: http://arxiv.org/abs/2611.14857v1
- Date: Wed, 11 Nov 2026 00:13:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 11:08:29.298182
- Title: In-orbit demonstration of object-based change detection applied to the maritime domain
- Title(参考訳): 海洋領域へのオブジェクトベース変化検出の軌道上での実証
- Abstract要約: 本稿では,CogniSAT-6ミッションにおける低レイテンシ海洋モニタリングのためのオブジェクトベースの変更検出パイプラインの軌道上での検証に成功したことを示す。
そこで本研究では, 地上型2段取得スケジューリング, 実時間載荷型AI船体セグメンテーション, 複数時間マッチングといった,軽量で3段階の運用シーケンスを提案し, 検証する。
- 参考スコア(独自算出の注目度): 6.001534551939538
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This article presents the successful in-orbit validation of an object-based change detection pipeline for low latency maritime monitoring onboard the CogniSAT-6 mission. We propose and validate a lightweight, three-phase operational sequence: optimized ground-based dual-acquisition scheduling, real-time onboard AI-based vessel segmentation, and multi-temporal matching. Upon acquiring consecutive images over a targeted Area of Interest (AoI), the onboard system correlates vessel detections using a hybrid matching approach that integrates the Hungarian algorithm for optimal assignment with RANSAC-driven spatial and size filters for outlier rejection. A series of in-orbit validations demonstrated robust performance across 11 diverse maritime scenarios, achieving valid recall and precision values (considering only vessel size and location) exceeding 0.8. The validation demonstrated the ability of the system to track both cooperative targets and uncooperative "dark" vessels strictly through geometric consistency. This capacity to autonomously generate and act upon real-time intelligence establishes a foundation for next-generation Insight-as-a-Service (IaaS) and tipping-and-cueing architectures.
- Abstract(参考訳): 本稿では,CogniSAT-6ミッションにおける低レイテンシ海洋モニタリングのためのオブジェクトベースの変更検出パイプラインの軌道上での検証に成功したことを示す。
そこで本研究では, 地上型2段取得スケジューリング, 実時間載荷型AI船体セグメント化, 複数時間マッチングといった,軽量で3段階の運用シーケンスを提案し, 検証する。
対象とする関心領域(AoI)上で連続した画像を取得すると、オンボードシステムは、RANSACを駆動する空間およびサイズフィルタを最適に割り当てるためのハンガリーのアルゴリズムを統合するハイブリッドマッチングアプローチを使用して、容器検出を相関付ける。
一連の軌道上での検証では、11の様々な海上シナリオに対して堅牢な性能を示し、有効なリコールと精度(船の大きさと位置のみを考慮した)が0.8を超えている。
この検証は、幾何学的整合性を通して、協調目標と非協力的な「暗黒」船の両方を正確に追跡するシステムの能力を実証した。
リアルタイムインテリジェンスを自律的に生成し行動するこの能力は、次世代のInsight-as-a-Service(IaaS)とチップ・アンド・キューアーキテクチャの基礎を確立します。
関連論文リスト
- Onboard Marine Anomaly Detection on $Φ$sat-2: From Simulation-Based Development to In-Orbit Demonstration [0.0]
本稿では、欧州宇宙機関の$sat-2ミッションに配備された軽量海洋異常検出パイプラインの開発、オンボード統合、および打ち上げ後の適応から得られた経験について述べる。
本手法は, 海面分割, 海洋域の自己監督的特徴符号化, 通常の海面状態からの偏差に基づく一般的な異常検出, および選択された異常型の任意評価を併用する。
論文 参考訳(メタデータ) (2026-10-08T11:31:06Z) - Trajectory-Aware Adaptive Inference in Object Detection Models [0.19845233274307664]
我々は,GPSトラジェクトリデータを推論プロセスに組み込むことにより,既存のオブジェクト検出フレームワークを構築した。
我々は、動きキューを組み込んだYOLOv8ベースの検出器に早期退避機構を導入する。
その結果、この戦略は予測時間と計算コストを大幅に削減しつつ、良好な検出性能を維持していることが示された。
論文 参考訳(メタデータ) (2026-05-12T16:04:07Z) - 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) - IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。
本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
論文 参考訳(メタデータ) (2026-03-03T14:36:46Z) - Test-time Verification via Optimal Transport: Coverage, ROC, & Sub-optimality [53.03186946689658]
検証によるテストタイムのスケーリングは、大規模言語モデルのパフォーマンス向上を約束している。
検証の効果は、(i)ジェネレータのカバレッジ、(ii)検証器の収束領域(ROC)、(iii)サンプリングアルゴリズムの準最適性の3つの相互作用を通して現れる。
本稿では,輸送問題として検証可能なテストタイムスケーリングの枠組みを定め,カバレッジ,ROC,サブ最適性の相互作用を特徴付ける。
論文 参考訳(メタデータ) (2025-10-21T18:05:42Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳(メタデータ) (2023-08-18T13:13:09Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳(メタデータ) (2020-05-11T04:00:09Z)
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。