論文の概要: Active Fire Detection in Landsat-8 Imagery: a Large-Scale Dataset and a Deep-Learning Study

• arxiv url: http://arxiv.org/abs/2101.03409v1
• Date: Sat, 9 Jan 2021 19:05:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-09 07:26:13.151336
• Title: Active Fire Detection in Landsat-8 Imagery: a Large-Scale Dataset and a Deep-Learning Study
• Title（参考訳）: ランドサット8画像におけるアクティブ火災検知:大規模データセットと深層学習研究
• Authors: Gabriel Henrique de Almeida Pereira and Andr\'e Minoro Fusioka and Bogdan Tomoyuki Nassu and Rodrigo Minetto
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.3764085113103217
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Active fire detection in satellite imagery is of critical importance to the management of environmental conservation policies, supporting decision-making and law enforcement. This is a well established field, with many techniques being proposed over the years, usually based on pixel or region-level comparisons involving sensor-specific thresholds and neighborhood statistics. In this paper, we address the problem of active fire detection using deep learning techniques. In recent years, deep learning techniques have been enjoying an enormous success in many fields, but their use for active fire detection is relatively new, with open questions and demand for datasets and architectures for evaluation. This paper addresses these issues by introducing a new large-scale dataset for active fire detection, with over 150,000 image patches (more than 200 GB of data) extracted from Landsat-8 images captured around the world in August and September 2020, containing wildfires in several locations. The dataset was split in two parts, and contains 10-band spectral images with associated outputs, produced by three well known handcrafted algorithms for active fire detection in the first part, and manually annotated masks in the second part. We also present a study on how different convolutional neural network architectures can be used to approximate these handcrafted algorithms, and how models trained on automatically segmented patches can be combined to achieve better performance than the original algorithms - with the best combination having 87.2% precision and 92.4% recall on our manually annotated dataset. The proposed dataset, source codes and trained models are available on Github (https://github.com/pereira-gha/activefire), creating opportunities for further advances in the field
• Abstract（参考訳）: 衛星画像におけるアクティブ火災検知は, 環境保全政策の管理, 意思決定, 法執行を支援する上で重要である。 これはよく確立された分野であり、多くの技術が長年にわたって提案され、通常はセンサー固有の閾値と近傍統計を含むピクセルや領域レベルの比較に基づいている。 本稿では,ディープラーニング技術を用いたアクティブ火災検知の問題点に対処する。 近年、ディープラーニング技術は多くの分野で大きな成功を収めているが、アクティブな火災検知には比較的新しく、オープンな質問や評価のためのデータセットやアーキテクチャの需要がある。 本稿は,2020年8月から9月にかけて世界中で撮影されたランドサット8号の画像から15万枚以上の画像パッチ(200GB以上のデータ)を抽出し,いくつかの場所での山火事を含む大規模火災検出データセットを導入することで,これらの課題に対処する。 データセットは2つの部分に分けられ、関連する出力を持つ10バンドのスペクトル画像を含み、第1部でアクティブな火災検知のための3つのよく知られた手作りアルゴリズムと第2部で手動でアノテートされたマスクによって生成される。 また、これらの手作りアルゴリズムを近似するために、異なる畳み込みニューラルネットワークアーキテクチャをどのように利用するか、そして、自動セグメント化されたパッチでトレーニングされたモデルを組み合わせることで、元のアルゴリズムよりも優れたパフォーマンスを達成する方法についての研究も行っています。 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(https://github.com/pereira-gha/activefire)。

関連論文リスト

• Development and Application of a Sentinel-2 Satellite Imagery Dataset for Deep-Learning Driven Forest Wildfire Detection [0.0]
  深層学習(DL)による山火事検出のための森林山火事画像ペアの前後にラベル付き10,000枚以上の高解像度ラベル付き衛星画像データセットを構築した。 その結果, 森林火災の検出において, EF効率の高いNet-B0モデルが最も高い精度を92%以上達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-09-24T18:25:02Z)
• SegNet: A Segmented Deep Learning based Convolutional Neural Network Approach for Drones Wildfire Detection [2.07180164747172]
  本研究は,無人航空機(UAV)/ドローンによる地球規模の山火事検出における処理時間と検出能力の向上という課題に対処するものである。 我々は,リアルタイムの山火事検出における処理速度と精度を大幅に向上させるため,特徴マップの削減に重点を置いている。
  論文  参考訳（メタデータ） (2024-02-29T15:23:12Z)
• 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)
• HPointLoc: Point-based Indoor Place Recognition using Synthetic RGB-D Images [58.720142291102135]
  本稿では,屋内環境における視覚的位置認識能力の探索を目的とした,HPointLocという新しいデータセットを提案する。 データセットは人気のあるHabitatシミュレータに基づいており、独自のセンサーデータとオープンデータセットの両方を使用して屋内シーンを生成することができる。
  論文  参考訳（メタデータ） (2022-12-30T12:20:56Z)
• Analyzing Multispectral Satellite Imagery of South American Wildfires Using CNNs and Unsupervised Learning [0.0]
  本研究では,エクアドルとガラパゴスのランドサット8号の画像をスキップして完全な畳み込みニューラルネットワークを訓練する。 画像セグメンテーションは、K-Means Clusteringを用いてCirrus Cloudバンド上で行われ、連続したピクセル値を3つの離散クラスに単純化する。 さらに2つの畳み込みニューラルネットワークが訓練され、陸地における山火事の存在を分類する。
  論文  参考訳（メタデータ） (2022-01-19T02:45:01Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• DAAS: Differentiable Architecture and Augmentation Policy Search [107.53318939844422]
  この研究は、ニューラルネットワークとデータ拡張のカップリングの可能性を検討し、それらを共同で検索する効果的なアルゴリズムを提案する。 CIFAR-10では97.91%、ImageNetデータセットでは76.6%の精度で97.91%の精度を達成し、検索アルゴリズムの優れた性能を示している。
  論文  参考訳（メタデータ） (2021-09-30T17:15:17Z)
• Shot boundary detection method based on a new extensive dataset and mixed features [68.8204255655161]
  ビデオにおけるショット境界検出は、ビデオデータ処理の重要な段階の1つである。 カラーヒストグラムや物体境界などの映像特徴に基づくショット境界検出法が提案されている。
  論文  参考訳（メタデータ） (2021-09-02T16:19:24Z)
• Aerial Imagery Pile burn detection using Deep Learning: the FLAME dataset [9.619617596045911]
  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。
  論文  参考訳（メタデータ） (2020-12-28T00:00:41Z)
• JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
  我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。 本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-07T14:59:35Z)
• Radioactive data: tracing through training [130.2266320167683]
  本稿では,このデータセットに認識不能な変化を生じさせる新しい手法であるEmphradioactive dataを提案する。 訓練されたモデルにより, 放射能データの利用を検知し, 信頼度(p-値)のレベルを提供する。 提案手法はディープネットワーク最適化におけるデータ拡張とバックドア性に対して堅牢である。
  論文  参考訳（メタデータ） (2020-02-03T18:41:08Z)

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。