FOOL: Addressing the Downlink Bottleneck in Satellite Computing with Neural Feature Compression

要約

広大な地理的領域を捕捉するセンサーを備えた超小型衛星群は、地球観測に前例のない機会を提供します。
コンスタレーションのサイズが大きくなると、ネットワークの競合がダウンリンクのボトルネックになります。
オービタル エッジ コンピューティング (OEC) は、限られたオンボード コンピューティング リソースを活用して、生のキャプチャをソースで処理することで転送コストを削減します。
ただし、現在のソリューションは、粗雑なフィルタリング方法への依存や、特定の下流タスクを優先しすぎるため、実用性が限られています。
この研究では、予測パフォーマンスを維持する、OEC ネイティブでタスクに依存しない特徴圧縮手法である FOOL を紹介します。
FOOL は、スループットを最大化するために高解像度の衛星画像を分割します。
さらに、コンテキストを埋め込み、タイル間の依存関係を利用して、無視できるオーバーヘッドで転送コストを削減します。
FOOL は特徴圧縮機能ですが、低ビットレートでも品質基準で競争力のあるスコアを持つ画像を復元できます。
私たちは、地球低軌道で断続的に利用可能なネットワーク接続の特殊性を含めて、転送コストの削減を広範囲に評価します。
最後に、標準化された超小型衛星フォームファクターに対するシステムの実現可能性をテストします。
我々は、FOOL がダウンストリーム タスクに関する事前情報に依存せずに、100 倍を超えるデータ量のダウンリンクを許可することを実証します。

要約(オリジナル)

Nanosatellite constellations equipped with sensors capturing large geographic regions provide unprecedented opportunities for Earth observation. As constellation sizes increase, network contention poses a downlink bottleneck. Orbital Edge Computing (OEC) leverages limited onboard compute resources to reduce transfer costs by processing the raw captures at the source. However, current solutions have limited practicability due to reliance on crude filtering methods or over-prioritizing particular downstream tasks. This work presents FOOL, an OEC-native and task-agnostic feature compression method that preserves prediction performance. FOOL partitions high-resolution satellite imagery to maximize throughput. Further, it embeds context and leverages inter-tile dependencies to lower transfer costs with negligible overhead. While FOOL is a feature compressor, it can recover images with competitive scores on quality measures at lower bitrates. We extensively evaluate transfer cost reduction by including the peculiarity of intermittently available network connections in low earth orbit. Lastly, we test the feasibility of our system for standardized nanosatellite form factors. We demonstrate that FOOL permits downlinking over 100x the data volume without relying on prior information on the downstream tasks.

arxiv情報

著者 Alireza Furutanpey,Qiyang Zhang,Philipp Raith,Tobias Pfandzelter,Shangguang Wang,Schahram Dustdar
発行日 2024-08-08 15:02:13+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.DC, cs.LG, cs.NI, eess.IV パーマリンク