초고해상도 지구 관측 위성은 저장 및 다운링크할 수 있는 용량보다 더 많은 데이터를 획득하는 반면, 해양 감시에서 선박은 각 장면의 아주 작은 부분만을 차지합니다. 본 연구에서는 모든 픽셀을 부호화하는 대신 콘텐츠에 따라 데이터를 줄여 다운링크할 대상을 선별하는 방식으로 온보드 선박 검출을 연구하며, 이는 기존의 온보드 압축 방식을 보완합니다. 본 연구는 세 가지 축을 따릅니다. (i) 데이터 및 알고리즘: 43개 선박 클래스를 갖는 68개의 주석 달린 Maxar 장면으로부터 제어된 데이터셋을 생성하고, 이를 기반으로 YOLOX-S 검출기를 학습시킵니다. (ii) 임베디드 배포: 검출기를 양자화하여 Versal VC1902의 DPU에 배포함으로써, 제한된 검출 품질 손실과 장면당 수 초의 처리 시간을 달성합니다. (iii) 데이터 감축: 메타데이터 전용(각 검출의 박스, 클래스 및 점수)부터 선박 주변의 이미지 크롭, 검출을 포함하는 타일, 또는 배경 품질이 저하된 전체 장면에 이르기까지 여러 다운링크 모드를 제안하고, 측정된 검출 오류로부터 각 모드가 제공하는 보존된 선박 수와 다운링크된 용량 사이의 트레이드오프를 추정합니다. 밀집된 항만 및 해안 장면에서 타일 방식은 장면 용량의 29%로 98%의 선박을 유지하며, 크롭 방식은 3%의 용량으로 83%를 유지합니다.
자연재해 발생 후 신속한 건물 피해 평가는 비상 대응을 지원하는 데 필수적입니다. 지구 관측(Earth Observation) 위성은 재해 직후 관련 영상을 획득할 수 있으나, 업링크 및 다운링크 용량과 지상 처리 지연 시간으로 인해 활용에 한계가 있습니다. 본 연구에서는 지상/우주 링크의 양단에서 정보를 압축하도록 설계된, YOLOX 기반의 샴 탐지기(siamese detector)로 구축된 양방향 시계열(bi-temporal) 건물 피해 평가 파이프라인을 통해 이 문제를 해결합니다. 지상에서는 재해 전 참조 이미지를 최대 64배까지 압축된 컴팩트한 잠재 공간(latent space)으로 인코딩하여 위성으로 업링크합니다. 온보드(on-board) 환경에서는 이 참조 이미지를 새로 획득한 재해 후 영상과 비교하여 다운링크가 전체 장면 대신 실행 가능한 객체 수준 결과물인 바운딩 박스와 피해 클래스만을 전송하도록 합니다. 이를 통해 양방향으로 교환되는 데이터가 절감되며, xBD 데이터셋에서 강력하게 압축된 참조 이미지를 사용하더라도 대부분의 탐지 성능을 유지합니다. 또한 온보드 획득 영상은 재해 전/후 간 잔차 동시 정합(co-registration) 오류가 발생하기 쉬우므로, 거친 특징 수준에서 전역 오프셋을 회귀하고 융합 전에 재해 후 특징을 재정렬하는 잠재 공간 이동 추정 및 보정 모듈을 도입합니다. 이 모듈은 특히 융합 전용 변형 모델들이 붕괴하는 큰 이동 상황에서 비정합에 대한 강건성을 크게 향상시키는 동시에 공칭 정확도를 높이고 가장 강력한 압축과도 호환성을 유지합니다. 마지막으로 이 파이프라인을 두 가지 임베디드 타깃인 Xilinx Versal VCK190과 NVIDIA Jetson AGX Orin에 포팅하고 하드웨어 성능(지연 시간, 처리량, 전력 효율성)을 보고합니다. 핵심 탐지기 및 압축 모듈은 두 타깃 모두에 깔끔하게 포팅되지만, 장거리 강건성에 필요한 연산자는 Jetson GPU에서만 실행 가능하며 Versal DPU에서는 지원되지 않습니다.
Simulatability is an evaluation protocol for explanations that quantifies their usefulness by how well they help a user predict a task model's outputs. Since human evaluation is costly, automated simulatability replaces human explainees with LLM simulators, as proposed in ConSim (Poché et al., 2025) for large-scale experiments. We qualitatively replicate and extend ConSim's ranking of explanation methods across the tested datasets, explanation families, and simulator LLMs, and identify two limitations. First, when class names are meaningful, simulators can obtain high simulatability by solving the classification task directly, without relying on the explanations. Second, class anonymization can reward explanations for leaking the hidden label mapping, a limitation we expose with a new classes-as-concepts baseline. These results are consistent with a shortcut hypothesis: in the tested settings, simulator predictions mainly rely on task priors, while explanations produce small changes. We derive recommendations for more robust automated simulatability evaluations.