使用机载机器学习对极端事件进行无监督变化检测
机器学习
2021-11-05 v1 计算机视觉与模式识别
摘要
在本文中，我们介绍了 RaVAEn，这是一种基于变分自编码器（VAEs）的轻量级无监督卫星数据变化检测方法，其特定目的在于星载部署。灾害管理等应用极大地受益于卫星观测数据的快速获取。传统上，数据分析是在所有数据传输（下行链路）至地面站之后在地面进行的。因此，下行链路能力的限制会影响任何下游应用。相比之下，RaVAEn 直接在卫星上对采样数据进行预处理，并标记出发生变化的区域以优先进行下行链路传输，从而缩短了响应时间。我们在一个由灾难性事件时间序列组成的数据集上验证了系统的有效性（我们计划在此出版物发布的同时开源该数据集），并证明了 RaVAEn 优于逐像素基线方法。最后，我们在资源受限的硬件上测试了该方法，以评估其计算和内存限制。
引用
@article{arxiv.2111.02995,
title = {Unsupervised Change Detection of Extreme Events Using ML On-Board},
author = {Vít Růžička and Anna Vaughan and Daniele De Martini and James Fulton and Valentina Salvatelli and Chris Bridges and Gonzalo Mateo-Garcia and Valentina Zantedeschi},
journal= {arXiv preprint arXiv:2111.02995},
year = {2021}
}
备注
5 pages (+2 in appendix), 5 figures (+1 in appendix), 2 tables (+3 in appendix), NeurIPS Workshop on Artificial Intelligence for Humanitarian Assistance and Disaster Response Workshop (AI+HADR), 2021