优化空间数据处理用于卫星图像中的目标检测
摘要
每年发射的卫星数量激增，导致每天下传数 TB 的数据。地面站接收的数据通常未经处理，考虑到数据量巨大且并非所有数据都有用，这是一个昂贵的过程。这一点，加上对实时数据处理日益增长的需求，导致对星上处理解决方案的需求不断上升。在这项工作中，我们通过将不同的图像压缩技术应用于卫星数据，研究了基于 CNN 的目标检测器在受限设备上的性能。我们考察了 NVIDIA Jetson Nano 和 NVIDIA Jetson AGX Xavier 的能力；它们是低功耗、高性能、带有集成 GPU 的计算机，体积小到可搭载在纳卫星上。我们仔细研究了目标检测网络，包括 Single Shot MultiBox Detector (SSD) 和 Region-based Fully Convolutional Network (R-FCN) 模型，这些模型在 DOTA（用于航拍图像目标检测的大规模数据集）上进行了预训练。性能根据执行时间、内存消耗和准确率来衡量，并与包含一台带两块强大 GPU 的服务器的基线进行比较。结果表明，通过应用图像压缩技术，我们能够改善执行时间和内存消耗，获得完全可运行的数据集。无损压缩技术实现了约 10% 的执行时间减少和约 3% 的内存消耗减少，且对准确率无影响。而有损压缩技术将执行时间最多提高 144%，内存消耗最多减少 97%。然而，它对准确率有显著影响，具体取决于压缩比。因此，这些压缩技术的应用和比例可能因特定任务所需的准确率水平而异。
引用
@article{arxiv.2107.03774,
title = {Optimizing Data Processing in Space for Object Detection in Satellite Imagery},
author = {Martina Lofqvist and José Cano},
journal= {arXiv preprint arXiv:2107.03774},
year = {2021}
}
备注
Published as a workshop paper at SmallSat 2021 - The 35th Annual Small Satellite Conference. 9 pages, 10 figures. arXiv admin note: text overlap with arXiv:2007.11089