論文の概要: Aerial Imagery Pile burn detection using Deep Learning: the FLAME dataset

• arxiv url: http://arxiv.org/abs/2012.14036v1
• Date: Mon, 28 Dec 2020 00:00:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-19 11:15:08.878716
• Title: Aerial Imagery Pile burn detection using Deep Learning: the FLAME dataset
• Title（参考訳）: 深層学習を用いた空中画像パイル燃焼検出:FLAMEデータセット
• Authors: Alireza Shamsoshoara, Fatemeh Afghah, Abolfazl Razi, Liming Zheng, Peter Z Ful\'e, Erik Blasch
• Abstract要約: FLAME(Fire Luminosity Airborne-based Machine Learning Evaluation)は、火災の空中画像のデータセットを提供する。 本論文は,アリゾナ松林において,所定の燃えるデトリタスの間,ドローンが収集した火災画像データセットを提供する。 また、この論文は2つの機械学習問題の解決策を強調している: 火炎の存在と不在に基づくビデオフレームのバイナリ分類。
• 参考スコア（独自算出の注目度）: 9.619617596045911
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wildfires are one of the costliest and deadliest natural disasters in the US, causing damage to millions of hectares of forest resources and threatening the lives of people and animals. Of particular importance are risks to firefighters and operational forces, which highlights the need for leveraging technology to minimize danger to people and property. FLAME (Fire Luminosity Airborne-based Machine learning Evaluation) offers a dataset of aerial images of fires along with methods for fire detection and segmentation which can help firefighters and researchers to develop optimal fire management strategies. This paper provides a fire image dataset collected by drones during a prescribed burning piled detritus in an Arizona pine forest. The dataset includes video recordings and thermal heatmaps captured by infrared cameras. The captured videos and images are annotated and labeled frame-wise to help researchers easily apply their fire detection and modeling algorithms. The paper also highlights solutions to two machine learning problems: (1) Binary classification of video frames based on the presence [and absence] of fire flames. An Artificial Neural Network (ANN) method is developed that achieved a 76% classification accuracy. (2) Fire detection using segmentation methods to precisely determine fire borders. A deep learning method is designed based on the U-Net up-sampling and down-sampling approach to extract a fire mask from the video frames. Our FLAME method approached a precision of 92% and a recall of 84%. Future research will expand the technique for free burning broadcast fire using thermal images.
• Abstract（参考訳）: 森林火災は米国で最も費用がかかる自然災害の1つで、何百万ヘクタールもの森林資源が被害を受け、人や動物の命が脅かされている。 特に重要なのは消防士や作戦部隊に対するリスクであり、人や財産の危険を最小限に抑えるために技術を活用する必要性を強調している。 flame(fire luminosity airborne-based machine learning evaluation)は、火災の空中画像のデータセットと、消防士や研究者が最適な火災管理戦略を開発するのに役立つ火災検出とセグメンテーションの方法を提供する。 本論文は,アリゾナ松林において,所定の燃えるデトリタスの間,ドローンが収集した火災画像データセットを提供する。 このデータセットには、赤外線カメラが捉えたビデオ記録と熱熱マップが含まれている。 撮影されたビデオと画像は、フレームごとにアノテートされラベル付けされ、研究者が火災検出とモデリングのアルゴリズムを簡単に適用できるようにする。 本論文は,(1)火炎の存在と不在に基づくビデオフレームの2次分類という2つの機械学習問題に対する解決策を強調する。 76%の分類精度を達成した人工ニューラルネットワーク(ann)法を開発した。 2) 火災境界を正確に決定するためのセグメンテーション法による火災検知 u-net up-sampling and down-samplingアプローチに基づいて、ビデオフレームから火のマスクを抽出するディープラーニング手法を設計する。 FLAME法では精度92%,リコール84%であった。 今後の研究は, 熱画像を用いた自由燃焼放火技術の拡大である。

関連論文リスト

• Obscured Wildfire Flame Detection By Temporal Analysis of Smoke Patterns Captured by Unmanned Aerial Systems [0.799536002595393]
  本研究は,RGBカメラのみを搭載したドローンを用いて,隠された山火事をリアルタイムに検出する課題について論じる。 本稿では,ビデオシーケンス中の煙のパターンの時間的解析に基づくセマンティックセグメンテーションを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-30T19:45:43Z)
• Blind Video Deflickering by Neural Filtering with a Flawed Atlas [90.96203200658667]
  本稿では,一本のフリック動画のみを入力として受信する一般的なフリック除去フレームワークを提案する。 われわれのアプローチの核心は、ニューラルフィルター戦略と協調して、ニューラルアトラスを活用することである。 提案手法を検証するために,実世界のフリックングビデオを含むデータセットを構築した。
  論文  参考訳（メタデータ） (2023-03-14T17:52:29Z)
• FireRisk: A Remote Sensing Dataset for Fire Risk Assessment with Benchmarks Using Supervised and Self-supervised Learning [1.6596490382976503]
  本研究では, 火災リスク評価のために, 91872 画像を含む7つの火災リスククラスからなる新しいリモートセンシングデータセット FireRisk を提案する。 FireRiskでは,Masked Autoencoders (MAE) がImageNet1k上で事前トレーニングされ,65.29%の分類精度が得られた。
  論文  参考訳（メタデータ） (2023-03-13T11:54:16Z)
• Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
  この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。 そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
  論文  参考訳（メタデータ） (2022-12-09T11:32:36Z)
• FIgLib & SmokeyNet: Dataset and Deep Learning Model for Real-Time Wildland Fire Smoke Detection [0.0]
  Fire Ignition Library (FIgLib) は、25,000点近い山火事の煙画像のデータセットである。 SmokeyNetは、リアルタイムの山火事煙検知にカメラ画像からの時間情報を利用する、新しいディープラーニングアーキテクチャである。 FIgLibデータセットでトレーニングすると、SmokeyNetは同等のベースラインを上回り、人間のパフォーマンスに匹敵する。
  論文  参考訳（メタデータ） (2021-12-16T03:49:58Z)
• Attention on Classification for Fire Segmentation [82.75113406937194]
  本稿では,画像中の火災の分類とセグメンテーションのための畳み込みニューラルネットワーク(CNN)を提案する。 我々は,空間的自己認識機構を用いて画素間の長距離依存性を捉えるとともに,分類確率を注目重みとして利用する新しいチャネルアテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2021-11-04T19:52:49Z)
• Detecting Damage Building Using Real-time Crowdsourced Images and Transfer Learning [53.26496452886417]
  本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。 トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。 訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
  論文  参考訳（メタデータ） (2021-10-12T06:31:54Z)
• Lighting the Darkness in the Deep Learning Era [118.35081853500411]
  低照度画像強調(LLIE)は、照明の弱い環境で撮影された画像の知覚や解釈性を改善することを目的としている。 この分野における最近の進歩は、ディープラーニングベースのソリューションが支配的です。 アルゴリズム分類から未解決の未解決問題まで,さまざまな側面をカバーする包括的な調査を行う。
  論文  参考訳（メタデータ） (2021-04-21T19:12:19Z)
• Fire Threat Detection From Videos with Q-Rough Sets [0.0]
  火は人間の文明に多くの目的をもたらすが、その拡散が制御されないと同時に脅威になる可能性がある。 ここでは,火災の脅威を定量化できる教師なし手法の開発に着目する。 ここで定義されたすべての理論と指標は、異なる種類のファイアビデオで実験的に検証されている。
  論文  参考訳（メタデータ） (2021-01-21T06:29:36Z)
• Active Fire Detection in Landsat-8 Imagery: a Large-Scale Dataset and a Deep-Learning Study [1.3764085113103217]
  本稿では,深層学習技術を用いた火災検知のための大規模データセットについて紹介する。 本稿では,様々な畳み込みニューラルネットワークアーキテクチャを用いて手作りアルゴリズムを近似する方法について検討する。 提案されたデータセット、ソースコード、トレーニングされたモデルはGithubで入手できる。
  論文  参考訳（メタデータ） (2021-01-09T19:05:03Z)
• Exploring Thermal Images for Object Detection in Underexposure Regions for Autonomous Driving [67.69430435482127]
  アンダーエクスポージャー地域は、安全な自動運転のための周囲の完全な認識を構築するのに不可欠である。 サーマルカメラが利用可能になったことで、他の光学センサーが解釈可能な信号を捉えていない地域を探索するための重要な代替手段となった。 本研究は,可視光画像から熱画像へ学習を伝達するためのスタイル伝達手法を用いたドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-01T09:59:09Z)

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。