AI-Based On-Board Maritime Object Detection for Earth Observation Payload Data Reduction on Versal Embedded Hardware
Aggiunta all'archivio di AIChronos il (numero del 8 ottobre 2026 ricostruito)· fonte del · Thomas Goudemant, Aurélien Bobey, Omar Hlimi, Marjorie Bellizzi
Lo studio propone l'uso di un rilevatore basato su YOLOX-S per la selezione dei dati da downlinkare sui satelliti in orbita terrestre ad alta risoluzione. Il sistema è stato ottimizzato e quantizzato per essere eseguito sul processore Versal VC1902, garantendo tempi di elaborazione rapidi con una perdita minima nella qualità del rilevamento. Vengono analizzati diversi modalità di riduzione dei dati, che variano dall'invio solo delle metadati alle immagini ritagliate attorno agli oggetti rilevati.
- Generazione di un dataset controllato derivante da 68 scene Maxar annotate con 43 classi di navi per addestrare il modello YOLOX-S.
- Deploy del detector quantizzato su hardware Versal VC1902, riducendo drasticamente la banda necessaria rispetto al downlink completo delle immagini.
- Le modalità 'tiles' mantengono il 98% dei vascelli utilizzando solo il 29% del volume della scena, mentre le modalità 'crops' ne mantengono l'83% con un 3% del volume.
- L'approccio complementa la compressione convenzionale selezionando i contenuti rilevanti in base alla presenza di navi invece che comprimendo ogni pixel.
Perché conta. Questo lavoro è rilevante per gli sviluppatori di AI locale e agenti autonomi poiché dimostra come tecniche di ottimizzazione hardware (quantization) permettano l'esecuzione efficiente di modelli complessi su dispositivi embedded, un principio trasferibile all'ottimizzazione di LLM o sistemi di visione artificiale in edge computing.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.