Fugu-MT 論文翻訳(概要): Fire Threat Detection From Videos with Q-Rough Sets

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