FOOL：利用神经特征压缩解决卫星计算中的下行链路瓶颈
机器学习
2025-05-02 v3 计算机视觉与模式识别
分布式、并行与集群计算
网络与互联网体系结构
图像与视频处理
摘要
配备有捕获大范围地理区域传感器的纳卫星星座，为地球观测提供了前所未有的机遇。随着星座规模的增大，网络竞争造成了下行链路的瓶颈。轨道边缘计算（OEC）利用有限的星载计算资源，通过在源端处理原始采集数据来降低传输成本。然而，由于依赖粗糙的过滤方法或过度优先处理特定的下游任务，现有解决方案的实用性有限。本工作提出了 FOOL，一种 OEC 原生且与任务无关的特征压缩方法，能够保持预测性能。FOOL 对高分辨率卫星图像进行分块以最大化吞吐量。此外，它嵌入上下文信息并利用分块间的依赖关系，以可忽略的开销降低传输成本。虽然 FOOL 是一种特征压缩器，但它能在较低比特率下恢复出在质量指标上具有竞争力的图像。我们通过纳入低地球轨道中间歇性可用网络连接的特性，对传输成本的降低进行了广泛评估。最后，我们测试了该系统在标准化纳卫星外形尺寸下的可行性。我们证明，FOOL 允许在不依赖下游任务先验信息的情况下，下行传输超过 100 倍的数据量。
引用
@article{arxiv.2403.16677,
title = {FOOL: Addressing the Downlink Bottleneck in Satellite Computing with Neural Feature Compression},
author = {Alireza Furutanpey and Qiyang Zhang and Philipp Raith and Tobias Pfandzelter and Shangguang Wang and Schahram Dustdar},
journal= {arXiv preprint arXiv:2403.16677},
year = {2025}
}
备注
Version Accepted for publication in IEEE Transactions on Mobile Computing