卫星上快速分布式微调分割模型

地球观测（EO）卫星数据分割是自然灾害分析和灾后应急响应的关键任务。然而，由于数据传输瓶颈和通信窗口的限制，处理EO数据在地面站会引入延迟。使用能够实现近实时数据分析的分割模型 onboard卫星可以因此改进响应时间。本研究提出了一个概念验证，使用MobileSAM——一种轻量级、预训练的分割模型—— onboard Unibap iX10-100卫星硬件。我们展示了如何从Sentinel-2卫星影像中分割水体，并将MobileSAM与PASEOS集成，后者是一个开源的Python模块，用于模拟卫星运作。该集成允许我们在仿真卫星星座的条件下评估MobileSAM的性能。我们的研究探讨了在灾害快速响应情境下，如何在多个卫星上进行去中心化快速微调MobileSAM的潜力。我们的发现表明，MobileSAM可以进行快速微调，并在考虑仿真轨道环境约束后的去中心化学习中受益。我们观察到，在卫星频繁通信模型更新的情况下，仅需少量训练数据即可实现分割性能提升和快速微调。该研究为onboard AI领域做出了贡献，强调了去中心化学习和微调预训练模型以实现快速响应的优势。我们的工作在极端天气事件频发和程度加剧的关键时刻提出了解决方案，快速响应进行卫星数据分析至关重要。