論文の概要: Project RISE: Recognizing Industrial Smoke Emissions

• arxiv url: http://arxiv.org/abs/2005.06111v8
• Date: Sun, 7 Mar 2021 06:59:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 13:17:43.463667
• Title: Project RISE: Recognizing Industrial Smoke Emissions
• Title（参考訳）: RISEプロジェクト:産業煙発生の認識
• Authors: Yen-Chia Hsu, Ting-Hao 'Kenneth' Huang, Ting-Yao Hu, Paul Dille, Sean Prendi, Ryan Hoffman, Anastasia Tsuhlares, Jessica Pachuta, Randy Sargent, Illah Nourbakhsh
• Abstract要約: 産業煙発生の認識のための,最初の大規模ビデオデータセットRISEを紹介する。 われわれのデータセットには、19の異なるビューから12,567のクリップが含まれており、3つの産業施設を監視している。 ディープニューラルネットワークを用いて、強力なパフォーマンスベースラインを確立し、喫煙認識の課題を明らかにする実験を行った。
• 参考スコア（独自算出の注目度）: 15.579579874702409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial smoke emissions pose a significant concern to human health. Prior works have shown that using Computer Vision (CV) techniques to identify smoke as visual evidence can influence the attitude of regulators and empower citizens to pursue environmental justice. However, existing datasets are not of sufficient quality nor quantity to train the robust CV models needed to support air quality advocacy. We introduce RISE, the first large-scale video dataset for Recognizing Industrial Smoke Emissions. We adopted a citizen science approach to collaborate with local community members to annotate whether a video clip has smoke emissions. Our dataset contains 12,567 clips from 19 distinct views from cameras that monitored three industrial facilities. These daytime clips span 30 days over two years, including all four seasons. We ran experiments using deep neural networks to establish a strong performance baseline and reveal smoke recognition challenges. Our survey study discussed community feedback, and our data analysis displayed opportunities for integrating citizen scientists and crowd workers into the application of Artificial Intelligence for Social Impact.
• Abstract（参考訳）: 産業用煙の排出は人間の健康に重大な影響を及ぼす。 以前の研究では、煙を視覚的証拠として識別するコンピュータビジョン(CV)技術が規制当局の態度に影響を与え、市民に環境正義を追求する権限を与えることが示されている。 しかし、既存のデータセットは、空気質の擁護を支援するために必要な堅牢なCVモデルをトレーニングするのに十分な品質や量ではない。 産業煙発生の認識のための,最初の大規模ビデオデータセットRISEを紹介する。 市民科学的なアプローチを採用し,地域コミュニティのメンバとコラボレーションして,ビデオクリップが煙を排出するかどうかを注釈する。 当社のデータセットには、3つの産業施設を監視するカメラから19の異なるビューから12,567のクリップが含まれています。 これらの昼間のクリップは、全4シーズンを含む2年間で30日間に及ぶ。 ディープニューラルネットワークを用いて、強力なパフォーマンスベースラインを確立し、喫煙認識の課題を明らかにする実験を行った。 調査はコミュニティからのフィードバックを議論し,データ分析の結果,市民科学者とクラウドワーカーを社会影響への人工知能の適用に統合する機会が示された。

関連論文リスト

• Uncovering Hidden Subspaces in Video Diffusion Models Using Re-Identification [6.408114351192012]
  我々は、特定の下流タスクのための合成データに基づいてトレーニングされたモデルが、実際のデータでトレーニングされたモデルよりも悪い性能を示すことを示した。 この違いは、トレーニングビデオのサブスペースであるサンプリングスペースが原因である可能性がある。 本稿では,潜在空間におけるプライバシ保護モデルのトレーニングが,計算効率が向上し,より一般化できることを最初に示す。
  論文  参考訳（メタデータ） (2024-11-07T18:32:00Z)
• IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
  ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。 本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。 このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
  論文  参考訳（メタデータ） (2024-04-23T13:38:01Z)
• Learning Human Action Recognition Representations Without Real Humans [66.61527869763819]
  そこで本研究では,仮想人間を含む合成データを用いて,実世界の映像を活用してモデルを事前学習するベンチマークを提案する。 次に、このデータに基づいて学習した表現を、下流行動認識ベンチマークの様々なセットに転送可能であるかを評価する。 私たちのアプローチは、以前のベースラインを最大5%上回ります。
  論文  参考訳（メタデータ） (2023-11-10T18:38:14Z)
• GreenEyes: An Air Quality Evaluating Model based on WaveNet [11.513011576336744]
  本稿では,シーケンスの表現を学習するためのWaveNetベースのバックボーンブロックと,テンポラルアテンションモジュールを用いたLSTMで構成されるディープニューラルネットワークモデルを提案する。 我々は,データセットから得られた空気質データの任意の部分について,次のタイムスタンプの空気質レベルを効果的に予測できることを示す。
  論文  参考訳（メタデータ） (2022-12-08T10:28:57Z)
• Differentiable Frequency-based Disentanglement for Aerial Video Action Recognition [56.91538445510214]
  ビデオにおける人間の行動認識のための学習アルゴリズムを提案する。 我々のアプローチは、主に斜めに配置されたダイナミックカメラから取得されるUAVビデオのために設計されている。 我々はUAV HumanデータセットとNEC Droneデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-09-15T22:16:52Z)
• Perceptual Quality Assessment of Virtual Reality Videos in the Wild [53.94620993606658]
  既存のパノラマビデオデータベースでは、合成歪みのみを考慮し、一定の視聴条件を仮定し、サイズに制限がある。 我々はVRVQW(VR Video Quality in the Wild)データベースを構築した。 我々は,2つの異なる視聴条件下で,139ドルの被験者から,スキャンパスと品質スコアを記録するための正式な心理物理実験を行った。
  論文  参考訳（メタデータ） (2022-06-13T02:22:57Z)
• Using Statistical Models to Detect Occupancy in Buildings through Monitoring VOC, CO$_2$, and other Environmental Factors [2.1485350418225244]
  これまでの研究は、CO$$のセンサーと視覚に基づく技術を使って、占有パターンを判定していた。 揮発性有機化合物(VOCs、Volatile Organic Compounds)は、別の汚染物質である。 揮発性有機化合物(VOCs、Volatile Organic Compounds)は、別の汚染物質である。
  論文  参考訳（メタデータ） (2022-03-07T22:25:11Z)
• STCNet: Spatio-Temporal Cross Network for Industrial Smoke Detection [52.648906951532155]
  本稿では,産業用煙排出ガスを識別する新しい時空間クロスネットワーク(STCNet)を提案する。 提案するSTCNetは, テクスチャの特徴を抽出する空間的特徴と, 煙の動き情報を捕捉する時間的経路を含む。 STCNetは、RISE産業煙検知データセットにおいて、最も優れた競合相手に対して6.2%の精度で明確な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2020-11-10T02:28:47Z)
• MSNet: A Multilevel Instance Segmentation Network for Natural Disaster Damage Assessment in Aerial Videos [74.22132693931145]
  本研究では, ハリケーン, 洪水, 火災などの自然災害後の建物被害を効率的に評価する課題について検討する。 最初のコントリビューションは、ソーシャルメディアからユーザ生成された空中ビデオと、インスタンスレベルのビルディング損傷マスクのアノテーションで構成される、新しいデータセットである。 第二のコントリビューションはMSNetと呼ばれる新しいモデルで、新しい領域の提案ネットワーク設計を含んでいる。
  論文  参考訳（メタデータ） (2020-06-30T02:23:05Z)
• All you can stream: Investigating the role of user behavior for greenhouse gas intensity of video streaming [0.0]
  ライフサイクルアセスメント(LCA)は、単なる技術からユーザー決定や行動を含むものまで、その視点を広げる必要がある。 ユーザの行動に関する定量的データ(例えば、ストリーミング時間、エンドデバイスの選択、解像度)は、LCAに組み込むのが困難または困難であることが多い。 本研究はLCAとオンライン調査(N=91, 7日連続評価)を組み合わせたものである。 以上の結果から,ビデオストリーミングのCO2強度は,いくつかの要因に依存していることが明らかとなった。気候強度については,スマートTVとスマートフォンをビデオストリーミングに選択する10因子が存在することが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:38:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。