Domain Adaptation for Satellite-Borne Hyperspectral Cloud Detection

要約

衛星搭載機械学習ハードウェア アクセラレータの出現により、畳み込みニューラル ネットワーク (CNN) などの機械学習技術を使用したペイロード データのオンボード処理が可能になりました。
注目すべき例は、CNN を使用して、地球観測 (EO) ミッションで取得されたハイパースペクトル データ内の雲の存在を検出することです。これにより、帯域幅を節約するために晴天のデータのみがダウンリンクされます。
ただし、展開前は、新しいセンサーを使用する新しいミッションには CNN モデルをトレーニングするのに十分な代表的なデータセットがありません。また、以前のミッションからのデータのみでトレーニングされたモデルは、新しいミッションでデータを処理するために展開されるとパフォーマンスが低下します。
このパフォーマンスの低下は、ドメイン ギャップ、つまり、以前と将来のミッションでさまざまなセンサーによって生成されたデータの基礎となる分布の違いに起因します。
この論文では、オンボードのハイパースペクトル クラウド検出のコンテキストでドメイン ギャップの問題に取り組みます。
私たちの主な貢献は、具体的な EO ミッションを動機とする新しいドメイン適応タスクの策定、帯域幅効率の高い教師ありドメイン適応のための新しいアルゴリズムの開発、宇宙配備可能なニューラル ネットワーク アクセラレータでのテスト時適応アルゴリズムの実証にあります。
私たちの貢献により、ドメイン適応を達成するために最小限のデータ送信 (たとえば、ResNet50 の重みの 1% のみ) を呼び出すことが可能になり、それにより、ドメイン ギャップや帯域幅の制限に妨げられることなく、より高度な CNN モデルを衛星上に展開および更新できるようになります。

要約(オリジナル)

The advent of satellite-borne machine learning hardware accelerators has enabled the on-board processing of payload data using machine learning techniques such as convolutional neural networks (CNN). A notable example is using a CNN to detect the presence of clouds in hyperspectral data captured on Earth observation (EO) missions, whereby only clear sky data is downlinked to conserve bandwidth. However, prior to deployment, new missions that employ new sensors will not have enough representative datasets to train a CNN model, while a model trained solely on data from previous missions will underperform when deployed to process the data on the new missions. This underperformance stems from the domain gap, i.e., differences in the underlying distributions of the data generated by the different sensors in previous and future missions. In this paper, we address the domain gap problem in the context of on-board hyperspectral cloud detection. Our main contributions lie in formulating new domain adaptation tasks that are motivated by a concrete EO mission, developing a novel algorithm for bandwidth-efficient supervised domain adaptation, and demonstrating test-time adaptation algorithms on space deployable neural network accelerators. Our contributions enable minimal data transmission to be invoked (e.g., only 1% of the weights in ResNet50) to achieve domain adaptation, thereby allowing more sophisticated CNN models to be deployed and updated on satellites without being hampered by domain gap and bandwidth limitations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google