Aug, 2023

基于种子特征图的卫星遥感服务的 CNN 模型

PDF
TL;DR在低地球轨道卫星上部署高性能卷积神经网络模型（CNN）进行快速遥感图像处理引起了工业界和学术界的极大兴趣，不过，LEO 卫星上有限的资源与资源密集型 CNN 模型的需求相矛盾，因此需要采用地面站服务器的协助来训练和更新这些模型。本文介绍了一种地面站服务器辅助框架，其中 CNN 模型的每一层只包含一个学习特征图（称为种子特征图），其他特征图是基于特定规则从种子特征图生成的，而这些规则的超参数是随机生成的，而不是通过训练得到，从而实现了从种子特征图生成多个特征图并显著减少 FLOPs 的目的。此外，由于可以使用少量随机种子保存随机超参数，可以便于地面站服务器在更新部署在 LEO 卫星上的 CNN 模型。在 ISPRS Vaihingen、ISPRS Potsdam、UAVid 和 LoveDA 等数据集上进行的语义分割服务的实验结果表明，所提出的框架优于现有的最先进方法。特别地，在 UAVid 数据集上，基于 SineFM 的模型相比 UNetFormer 模型在 mIoU 上实现了较高的性能，且参数数量减少了 3.3 倍，FLOPs 减少了 2.2 倍。
convolutional neural networklow-earth orbit satellitesresource-intensive modelsground-station server assistancesemantic segmentation
发现论文，激发创造
  • FedSN：一种基于低轨卫星网络的通用联邦学习框架

    通过提出 FedSN 作为一个通用的联邦学习框架来解决低地球轨道卫星上的异构计算和内存能力、有限的上行速率和模型陈旧等问题，实现了更高的准确性、较低的计算和通信开销。

    Nov, 2023

  • FedSpace: 卫星和地面站高效的联邦学习框架

    本研究提出一种基于联邦学习的框架，可解决低地球轨道卫星数据传输受限、稀疏连接、图像分辨率限制等挑战，通过地面站和卫星协同训练模型实现全球机器学习。实测结果表明，该框架可比现有算法减少 38.6% 的训练时间。

    Feb, 2022

  • 通过平面内模型传播和汇聚卫星调度优化 LEO 卫星星座中的联邦学习

    本文介绍了 FedLEO，一种应用于卫星边缘计算的联邦学习框架，可以快速收敛且不牺牲模型准确度，并优化了通信调度策略。

    Feb, 2023

  • 卫星边缘连接：普及高效的联合低轨道卫星学习

    在空间人工智能的雄心勃勃的领域中，通过联邦学习 (federated learning) 与低轨道卫星星座 (low Earth orbit satellite constellations) 的集成具有巨大的潜力。本文提出了一种新颖的 FL-SEC 框架，使低轨道卫星能够在机载上高效地执行大规模机器学习任务。通过个性化学习和轨道模型再训练等核心组件，该框架有效地减少了联邦学习收敛时间近 30 倍，并将卫星能耗降低到仅为 1.38 瓦特，同时保持高达 96% 的准确度。

    Jan, 2024

  • LEO 卫星星座中的地面辅助联邦学习

    本文提出了基于联邦学习（FL）的新算法，包括一种基于 FedAvg 的新型异步 FL 过程，对 MNIST 和 CIFAR-10 数据集进行的广泛数字评估表明，该方法具有快速收敛速度和优异的渐进测试准确性，可用于解决卫星成像的推理等问题。

    Sep, 2021

  • 用完全卷积网络对高分辨率航空影像进行密集语义标注

    本文介绍了一种应用深度卷积神经网络用于语义标签高分辨率遥感数据的方法，采用了全卷积网络和预训练卷积神经网络在卫星图像识别中得到了较好的应用效果。

    Jun, 2016

  • 低地球轨道场景分类的分散半监督机载学习

    利用卫星集群上的半监督学习，以温度和有限的电源预算为基础，对神经网络进行基准测试，我们展示了在最新卫星硬件上进行机器学习模型的训练，以节省通信和操作成本，同时评估了采用分散和联邦学习方法的任务场景，并在一天的任务时间内，实现了高精度（欧洲卫星 RGB 数据集约为 91％）的收敛。

    May, 2023

  • 利用传统特征注入 CNN 模型的卫星图像土地分类

    本文研究在小型的卷积神经网络（CNN）模型上注入传统特征，以提高陆地分类的准确性，实验结果表明，这种方法可以显著提高使用小型 CNN 模型进行土地分类的准确性。

    Jul, 2022

  • 学习高分辨率卫星图像分类的多尺度深度特征

    本文提出了一种用于高分辨率卫星图像分类的多尺度深度特征学习方法，该方法使用卷积神经网络（CNN）和空间金字塔池（SPP-net）技术提高了训练效率，并开发了一种多核学习方法以自动学习这些特征的最佳组合，实验表明该方法相对于其他最先进的方法具有更好的性能。

    Nov, 2016

  • 跨视角图像检索之外：使用卫星图像实现高精度车辆定位

    本文提出了一种车载摄像机定位的解决方案，通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上，并把匹配问题转化为姿态估计问题来提高定位精度。

    Apr, 2022