論文の概要: Fire Threat Detection From Videos with Q-Rough Sets
- arxiv url: http://arxiv.org/abs/2101.08459v1
- Date: Thu, 21 Jan 2021 06:29:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 19:30:43.923412
- Title: Fire Threat Detection From Videos with Q-Rough Sets
- Title(参考訳): Q-Rough セットによる映像からの火災検知
- Authors: Debarati B. Chakrabortya, Vinay Detania and Shah Parshv Jigneshkumar
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This article defines new methods for unsupervised fire region segmentation
and fire threat detection from video stream. Fire in control serves a number of
purposes to human civilization, but it could simultaneously be a threat once
its spread becomes uncontrolled. There exists many methods on fire region
segmentation and fire non-fire classification. But the approaches to determine
the threat associated with fire is relatively scare, and no such unsupervised
method has been formulated yet. Here we focus on developing an unsupervised
method with which the threat of fire can be quantified and accordingly generate
an alarm in automated surveillance systems in indoor as well as in outdoors.
Fire region segmentation without any manual intervention/ labelled data set is
a major challenge while formulating such a method. Here we have used rough
approximations to approximate the fire region, and to manage the incompleteness
of the knowledge base, due to absence of any prior information. Utility
maximization of Q-learning has been used to minimize ambiguities in the rough
approximations. The new set approximation method, thus developed here, is named
as Q-rough set. It is used for fire region segmentation from video frames. The
threat index of fire flame over the input video stream has been defined in sync
with the relative growth in the fire segments on the recent frames. All
theories and indices defined here have been experimentally validated with
different types of fire videos, through demonstrations and comparisons, as
superior to the state of the art.
- Abstract(参考訳): 本稿では,ビデオストリームからの非監視火災領域分割と火災脅威検出のための新しい手法について述べる。
火の制御は人類文明に多くの目的をもたらすが、その拡散が制御不能になると同時に脅威となる可能性がある。
火災地域区分や火災非火災分類には多くの方法がある。
しかし、火災に関連する脅威を決定するアプローチは比較的脆弱であり、そのような監視されていない方法はまだ定式化されていない。
本稿では, 火災の脅威を定量化し, 屋内および屋外における自動監視システムにおいてアラームを発生させる未監視手法の開発に焦点をあてる。
手動介入/ラベル付きデータセットのないファイアリージョンセグメンテーションは、そのようなメソッドを定式化しながら大きな課題となる。
ここでは, 火災領域を近似し, 事前情報がないため, 知識ベースの不完全性を管理するために, 粗い近似を用いた。
q-learningの実用的最大化は、粗い近似の曖昧さを最小化するために用いられてきた。
そこで開発された新しい集合近似法はQ-rough集合と呼ばれる。
ビデオフレームからの消火領域のセグメンテーションに使用される。
入力されたビデオストリーム上の火炎に対する脅威指数は、最近のフレームの火炎セグメントの相対的な成長と同期して定義されている。
ここで定義されたすべての理論と指標は、デモや比較を通じて様々な種類のファイアビデオで実験的に検証され、芸術の状況よりも優れている。
- 全文 参考訳へのリンク
関連論文リスト
- Wildfire risk forecast: An optimizable fire danger index [0.0]
森林火災は世界中の多くの地域で深刻な被害をもたらしており、気候変動によって増加すると予想されている。
火災リスク指標は、火災のリスクを予測するために天気予報を使用する。
火災リスク指標の予測は、リスクの高い場所で資源を割り当てるために使用することができる。
そこで本研究では,勾配降下による内部パラメータの最適化が可能な微分可能な関数として,一指標(NFDRS IC)の新たな実装を提案する。
論文 参考訳(メタデータ) (2022-03-28T14:08:49Z) - Experimental Large-Scale Jet Flames' Geometrical Features Extraction for
Risk Management Using Infrared Images and Deep Learning Segmentation Methods [0.9236074230806579]
ジェット火災は比較的小さく、工業プラントで起こりうる多様な火災事故の中では最も深刻な影響を受けない。
本研究は,ジェット火炎のセマンティックセグメンテーションを用いた別のアプローチにおけるディープラーニングモデルの適用について検討する。
論文 参考訳(メタデータ) (2022-01-20T00:50:41Z) - Weakly-supervised fire segmentation by visualizing intermediate CNN
layers [82.75113406937194]
画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。
我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。
CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-11-16T11:56:28Z) - 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) - Comparing ML based Segmentation Models on Jet Fire Radiation Zone [0.0]
リスク管理の観点からは,火災事故の特徴付けが重要である。
そのような特徴の1つは、火炎内の異なる放射帯のセグメンテーションである。
プロパンジェット火災のデータセットは、異なるアプローチの訓練と評価に使用される。
論文 参考訳(メタデータ) (2021-07-07T19:52:52Z) - Detection of Deepfake Videos Using Long Distance Attention [73.6659488380372]
既存のほとんどの検出方法は、問題をバニラ二項分類問題として扱う。
本稿では,偽顔と実顔の相違が非常に微妙であるため,特にきめ細かな分類問題として扱われる。
大域的な視点で空間的・時間的偽の痕跡を捉えるための2つの要素を持つ時空間モデルを提案する。
論文 参考訳(メタデータ) (2021-06-24T08:33:32Z) - Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。
近年の取り組みは、他の等級のl_infty摂動と組み合わせている。
本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-06-10T20:11:36Z) - Seasonal Contrast: Unsupervised Pre-Training from Uncurated Remote
Sensing Data [64.40187171234838]
季節的コントラスト(SeCo)は、リモートセンシング表現のドメイン内事前トレーニングにラベルのないデータを活用するための効果的なパイプラインである。
SeCoは、転送学習を容易にし、再リモートセンシングアプリケーションの急速な進歩を可能にするために公開されます。
論文 参考訳(メタデータ) (2021-03-30T18:26:39Z) - 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) - Detection of Adversarial Supports in Few-shot Classifiers Using Feature
Preserving Autoencoders and Self-Similarity [89.26308254637702]
敵対的なサポートセットを強調するための検出戦略を提案する。
我々は,特徴保存型オートエンコーダフィルタリングと,この検出を行うサポートセットの自己相似性の概念を利用する。
提案手法は攻撃非依存であり, 最善の知識まで, 数発分類器の検出を探索する最初の方法である。
論文 参考訳(メタデータ) (2020-12-09T14:13:41Z)
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。