基于种子特征图的 CNN 模型用于 LEO 卫星遥感服务
计算机视觉与模式识别
2023-08-15 v1 分布式、并行与集群计算
摘要
在低地球轨道（low-earth orbit, LEO）卫星上部署高性能卷积神经网络（convolutional neural network, CNN）模型以实现遥感图像快速处理，已引起工业界与学术界的显著兴趣。然而，LEO 卫星上有限的资源与资源密集型 CNN 模型的需求形成反差，因而有必要借助地面站服务器辅助来训练与更新这些模型。现有方法常需大量浮点运算（floating-point operations, FLOPs）与大量的模型参数传输，带来可观挑战。为解决这些问题，本文引入一种地面站服务器辅助框架。在该框架下，CNN 模型的每一层仅包含一个可学习特征图（称为种子特征图），其余特征图依据特定规则由此生成。这些规则的超参数通过随机生成而非训练得到，从而能够从种子特征图生成多个特征图并显著减少 FLOPs。此外，由于随机超参数可用少量随机种子保存，地面站服务器辅助更新部署于 LEO 卫星上的 CNN 模型得以简化。在 ISPRS Vaihingen、ISPRS Potsdam、UAVid 与 LoveDA 数据集上针对语义分割服务的实验结果表明，所提框架优于现有最先进方法。特别地，基于 SineFM 的模型在 UAVid 数据集上取得了比 UNetFormer 更高的 mIoU，且参数减少 3.3 倍、FLOPs 减少 2.2 倍。
引用
@article{arxiv.2308.06515,
title = {Seed Feature Maps-based CNN Models for LEO Satellite Remote Sensing Services},
author = {Zhichao Lu and Chuntao Ding and Shangguang Wang and Ran Cheng and Felix Juefei-Xu and Vishnu Naresh Boddeti},
journal= {arXiv preprint arXiv:2308.06515},
year = {2023}
}
备注
11 pages