通过端到端星载原始数据分析增强海洋态势感知
计算机视觉与模式识别
2024-11-07 v1
摘要
基于卫星的星载数据处理对于需要及时高效快速响应的时效性敏感应用至关重要。边缘人工智能的进步正将计算能力从地面中心转移到在轨平台，改变了“感知-通信-决策-反馈”周期，并缩短了从获取到交付的延迟。本研究提出了一个应对小卫星严格带宽、能量和延迟约束的框架，重点关注海洋监测。该研究做出了三项主要创新。首先，研究了将深度学习技术应用于直接从原始卫星图像中进行船舶检测与分类。通过简化星载处理链，我们的方法无需校准和正射校正等计算密集型步骤即可促进直接分析。其次，为解决原始卫星数据的稀缺性，我们引入了两个新数据集 VDS2Raw 和 VDV2Raw，它们分别源自 Sentinel-2 和植被与环境监测新微型卫星（VENuS）任务的原始数据，并利用自动识别系统（AIS）记录进行了丰富。第三，我们通过在两个数据集上验证的统计和基于特征的分析，表征了任务的最优单光谱和多光谱波段组合。总之，我们通过在类 CubeSat 硬件上的概念验证，证明了所提方法的可行性，证实了模型在业务化卫星海洋监测中的潜力。
引用
@article{arxiv.2411.03403,
title = {Enhancing Maritime Situational Awareness through End-to-End Onboard Raw Data Analysis},
author = {Roberto Del Prete and Manuel Salvoldi and Domenico Barretta and Nicolas Longépé and Gabriele Meoni and Arnon Karnieli and Maria Daniela Graziano and Alfredo Renga},
journal= {arXiv preprint arXiv:2411.03403},
year = {2024}
}
备注
38 pages