4 мин. чтения
7/30/2023 10:33:55 AM

Исследователи впервые успешно обучили модель машинного обучения в открытом космосе

Featured Image 1 Спутник ION SCV004, на котором были запущены модели машинного обучения. На снимке показан спутник, выпускающий в космос CubeSats (малые спутники). Предоставлено: D-Orbit

Данные, собираемые спутниками дистанционного зондирования, имеют основополагающее значение для многих ключевых видов деятельности, включая аэрофотосъемку, прогнозирование погоды и мониторинг обезлесения. В настоящее время большинство спутников могут только пассивно собирать данные, поскольку они не оборудованы для принятия решений или обнаружения изменений. Вместо этого данные должны быть переданы на Землю для обработки, что обычно занимает несколько часов или даже дней. Это ограничивает способность выявлять и реагировать на быстро возникающие события, такие как стихийное бедствие.

Чтобы преодолеть эти ограничения, группа исследователей во главе со студентом DPhil Витом Ружичкой (факультет компьютерных наук Оксфордского университета) взяла на себя задачу обучения первой программе машинного обучения в космическом пространстве.

В течение 2022 года команда успешно представила свою идею миссии Dashing through the Stars, которая объявила открытый конкурс проектных предложений, которые будут реализованы на борту спутника ION SCV004, запущенного в январе 2022 года. Осенью 2022 года команда связала код программы со спутником, уже находящимся на орбите.

Исследователи обучили простую модель обнаруживать изменения облачного покрова по аэрофотоснимкам непосредственно на борту спутника, в отличие от обучения на земле. Модель была основана на подходе, называемом обучением с несколькими выстрелами, который позволяет модели изучать наиболее важные функции, которые нужно искать, когда у нее есть только несколько образцов для обучения. Ключевым преимуществом является то, что данные могут быть сжаты в меньшие представления, что делает модель более быстрой и эффективной.

Вит Ружичка сказал: «Разработанная нами модель под названием RaVAEn сначала сжимает большие файлы изображений в векторы из 128 чисел. На этапе обучения модель учится сохранять только информативные значения в этом векторе; те, которые относятся к изменению, которое он пытается обнаружить, — в данном случае, независимо от того, присутствует ли облако или нет. Это приводит к чрезвычайно быстрому обучению из-за наличия только очень маленькой классификационной модели для обучения».

В то время как первая часть модели, для сжатия вновь увиденных изображений, была обучена на земле, вторая часть (которая решала, содержит ли изображение облака или нет) была обучена непосредственно на спутнике.

Обычно разработка модели машинного обучения требует нескольких раундов обучения с использованием мощности кластера связанных компьютеров. Напротив, крошечная модель команды завершила этап обучения (используя более 1,300 изображений) примерно за полторы секунды.

Когда команда проверила производительность модели на новых данных, она автоматически определила, присутствует ли облако или нет, примерно за десятую долю секунды. Это включало кодирование и анализ сцены, эквивалентной площади около 4,8 х 4,8 км2 площадь (эквивалентно почти 450 футбольным полям).

По словам исследователей, модель может быть легко адаптирована для выполнения различных задач и использования других форм данных. Вит Ружичка добавил: «Добившись этой демонстрации, мы теперь намерены разработать более продвинутые модели, которые могут автоматически различать интересующие изменения (например, наводнения, пожары и вырубка лесов) и естественные изменения (например, естественные изменения цвета листьев в разные сезоны)».

«Еще одной целью является разработка моделей для более сложных данных, включая изображения с гиперспектральных спутников. Это позволит, например, обнаружить утечки метана и будет иметь ключевые последствия для борьбы с изменением климата».

Выполнение машинного обучения в космическом пространстве также может помочь преодолеть проблему воздействия суровых условий окружающей среды на бортовые спутниковые датчики, поэтому они требуют регулярной калибровки.

Вит Ружичка сказал: «Наша предлагаемая система может быть использована в группировках неоднородных спутников, где достоверная информация с одного спутника может быть применена для обучения остальной части созвездия. Это может быть использовано, например, для повторной калибровки датчиков, которые со временем деградировали или испытали быстрые изменения в окружающей среде».

Подробнее: Vít Růžička et al, Fast model inference and training on-board of Satellites, arXiv (2023). DOI: 10.48550/arxiv.2307.08700 🔗

Получи бесплатную еженедельную рассылку со ссылками на репозитории и лонгриды самых интересных историй о стартапах 🚀, AI технологиях 👩‍💻 и программировании 💻!
Присоединяйся к тысячам читателей для получения одного еженедельного письма

Подписывайся на нас:

Нашли ошибку в тексте? Напишите нам.

Добавляй ЛРНЧ в свою ленту Google Новостей.
Читайте далее 📖

Рендеринг трехмерных изображений по отражениям со зрачка при помощи NeRF

6/28/2023 · 4 мин. чтения

Рендеринг трехмерных изображений по отражениям со зрачка при помощи NeRF

Самая страшная тайна ИИ

7/31/2023 · 4 мин. чтения

Самая страшная тайна ИИ