arXiv cs.AI· Thomas Goudemant, Aur\'elien Bobey, Omar Hlimi, Marjorie Bellizzi·· 9 天前AI 评分22
基于 AI 的星上船舶目标检测：在 Versal 嵌入式硬件上实现地球观测载荷数据削减
AI-Based On-Board Maritime Object Detection for Earth Observation Payload Data Reduction on Versal Embedded Hardware
AI 导读
研究将 YOLOX-S 船舶检测器量化部署到 Versal VC1902 的 DPU 上，用于星上按内容筛选下行数据，每景处理耗时数秒。该模型基于 68 幅 Maxar 标注场景、43 类船舶的数据集训练。在密集港口与海岸场景中，tiles 模式以 29% 的数据量保留 98% 的船舶，crops 模式以 3% 的数据量保留 83%。
正文 · AI 翻译
摘要：超高分辨率地球观测卫星获取的数据量超过其存储和下传能力，而在海上监视中，船只仅占每个场景的极小部分。我们研究星上船只检测，以此作为选择下传内容的方式，它根据内容而非逐像素编码来减少数据；它与传统的星上压缩互为补充。本工作沿三个方向展开。(i) 数据与算法：从 68 个带标注的 Maxar 场景（含 43 类船只）生成受控数据集，并在其上训练 YOLOX-S 检测器。(ii) 嵌入式部署：将检测器量化后部署到 Versal VC1902 的 DPU 上，检测质量损失有限，每个场景处理时间为几秒。(iii) 数据缩减：我们提出多种下传模式，从仅元数据（每个检测的框、类别和分数）到船只周围的图像裁剪、包含检测的瓦片，或背景降质的整个场景，并根据实测检测误差估计每种模式在保留船只与下传数据量之间的权衡。在我们密集的港口和海岸场景中，瓦片以 29% 的场景数据量保留 98% 的船只，裁剪以 3% 保留 83%。
| 评论： | 8 页。已被第 10 届星上载荷数据压缩研讨会（OBPDC 2026）接收，西班牙巴塞罗那，2026 年 10 月 12-14 日 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| ACM 分类： | I.4.8; I.2.10; C.3 |
| 引用为： | arXiv:2610.12182 [cs.CV] |
| （或本版本引用 arXiv:2610.12182v1 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2610.12182 arXiv 通过 DataCite 颁发的 DOI（待注册） |
|
| 相关 DOI： | https://doi.org/10.5281/zenodo.23242463
链接到相关资源的 DOI |
提交历史
来自：Thomas Goudemant [查看电子邮件]
[v1]
2026 年 10 月 8 日星期四 15:48:00 UTC（1,106 KB）
来源：arXiv cs.AI · arxiv.org