論文の概要: Slash or burn: Power line and vegetation classification for wildfire prevention

• arxiv url: http://arxiv.org/abs/2105.03804v1
• Date: Sun, 9 May 2021 00:34:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-12 10:13:09.339316
• Title: Slash or burn: Power line and vegetation classification for wildfire prevention
• Title（参考訳）: スラッシュまたはバーン:森林火災防止のための電力線および植生分類
• Authors: Austin Park, Farzaneh Rajabi, Ross Weber
• Abstract要約: 電力事業者は、暑く乾燥した気候で山火事のリスクを増大させるのに苦労している。 ユーティリティ資産からの分離を維持するために植生をトリミングすることは、それが困難であるほど安全に重要です。 本論文は,1,320ドルの画像をストリートビューから抽出し,人気のあるCNN上での移動学習と特徴工学を用いて,(1)ユーティリティシステムなし,(2)過剰植生のないユーティリティシステム,(3)過剰植生を有するユーティリティシステムのうちの1つにイメージを配置する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electric utilities are struggling to manage increasing wildfire risk in a hotter and drier climate. Utility transmission and distribution lines regularly ignite destructive fires when they make contact with surrounding vegetation. Trimming vegetation to maintain the separation from utility assets is as critical to safety as it is difficult. Each utility has tens of thousands of linear miles to manage, poor knowledge of where those assets are located, and no way to prioritize trimming. Feature-enhanced convolutional neural networks (CNNs) have proven effective in this problem space. Histograms of oriented gradients (HOG) and Hough transforms are used to increase the salience of the linear structures like power lines and poles. Data is frequently taken from drone or satellite footage, but Google Street View offers an even more scalable and lower cost solution. This paper uses $1,320$ images scraped from Street View, transfer learning on popular CNNs, and feature engineering to place images in one of three classes: (1) no utility systems, (2) utility systems with no overgrown vegetation, or (3) utility systems with overgrown vegetation. The CNN output thus yields a prioritized vegetation management system and creates a geotagged map of utility assets as a byproduct. Test set accuracy with reached $80.15\%$ using VGG11 with a trained first layer and classifier, and a model ensemble correctly classified $88.88\%$ of images with risky vegetation overgrowth.
• Abstract（参考訳）: 電力事業者は、暑く乾燥した気候で山火事のリスクを増大させるのに苦労している。 送電線や配電線は、周囲の植生と接触する際に定期的に破壊的な火災を発生させる。 有用資産からの分離を維持するために植生を刈り取ることは、安全性にとって困難であると同時に重要である。 それぞれのユーティリティには数万マイルの線形走行距離があり、それらの資産の所在に関する知識が乏しく、トリミングを優先する方法がない。 特徴強化畳み込みニューラルネットワーク(cnns)はこの問題空間において有効であることが証明されている。 配向勾配(HOG)とハフ変換のヒストグラムは、電力線や極のような線形構造のサリエンスを高めるために用いられる。 データは頻繁にドローンや衛星映像から撮影されるが、Googleストリートビューはよりスケーラブルで低コストなソリューションを提供する。 本論文は,1,320ドルの画像をストリートビューから抽出し,人気のあるCNN上での移動学習と特徴工学を用いて,(1)ユーティリティシステムなし,(2)過剰植生のないユーティリティシステム,(3)過剰植生を有するユーティリティシステムのうちの1つにイメージを配置する。 したがって、cnn出力は優先順位付けされた植生管理システムを生成し、副産物としてユーティリティ資産のジオタグマップを作成する。 トレーニングされた第1層と分類器を備えたvgg11を使用して、テストセットの精度を80.15\%$に設定し、リスクの高い植生の過剰な画像の8.88\%を正しく分類した。

関連論文リスト

• Automated Linear Disturbance Mapping via Semantic Segmentation of Sentinel-2 Imagery [0.0]
  道路、地震探査線、パイプラインは、森林地帯のカリブーの人口に重大な脅威をもたらす。 本研究では、低解像度(10m)のSentinel-2衛星画像のセマンティックセグメンテーションのためのVGGNet16アーキテクチャに基づく深部畳み込みニューラルネットワークモデルを用いる。 このモデルは、無料のAlberta Institute of Biodiversity Monitoring Human Footprintデータセットから得られた、地平線ラベルマップを使って訓練されている。
  論文  参考訳（メタデータ） (2024-09-19T14:42:12Z)
• Leafy Spurge Dataset: Real-world Weed Classification Within Aerial Drone Imagery [37.51633459581306]
  侵入する植物種は、農業と農地の両方の生態に有害である。 ユープホルビア・エスラ(Euphorbia esula)のような外来植物は、東ヨーロッパから北アメリカの大部分に分布している。 米国モンタナ州西部の草原で、葉質のふわふわしたスプージの存在と不在のデータセットを収集し、商用ドローンでこれらの地域を調査した。 我々はこれらのデータに基づいて画像分類器を訓練し、我々の最高の性能モデルであるDINOv2視覚変換器は、葉の隆起を0.84精度で同定した。
  論文  参考訳（メタデータ） (2024-05-02T23:53:29Z)
• VAPOR: Legged Robot Navigation in Outdoor Vegetation Using Offline Reinforcement Learning [53.13393315664145]
  本研究では,非構造で密集した屋外環境における自律脚ロボットナビゲーションのための新しい手法であるVAPORを提案する。 本手法は,アクター・クリティカル・ネットワークと実際の屋外植生で収集された任意のデータを用いて,新しいRLポリシーを訓練する。 VAPORの動作は成功率を最大40%向上させ、平均電流消費量を最大2.9%削減し、正規化軌道長を最大11.2%削減する。
  論文  参考訳（メタデータ） (2023-09-14T16:21:27Z)
• Prior Based Online Lane Graph Extraction from Single Onboard Camera Image [133.68032636906133]
  単眼カメラ画像からレーングラフをオンラインに推定する。 前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。 オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
  論文  参考訳（メタデータ） (2023-07-25T08:58:26Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests [62.997667081978825]
  森林破壊や荒廃により、毎年何百万ヘクタールもの熱帯林が失われる。 監視・森林破壊検知プログラムは、犯罪者の予防・処罰のための公共政策に加えて、使用されている。 本稿では,熱帯林の森林破壊検出作業におけるニューロ進化技術(NEAT)に基づくパターン分類器の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-23T16:04:12Z)
• Predicting Electricity Infrastructure Induced Wildfire Risk in California [6.08936845491444]
  本研究では,電気インフラによる山火事の発生時期と発生場所を予測するためのリスクモデルについて検討する。 データは、2015年から2019年にかけてパシフィック・ガス・アンド・エレクトリック・エリアで収集されたグリッドインフラによって引き起こされた歴史的点火とワイヤダウンポイントを含んでいる。 気象や植生の特徴が,着火やワイヤダウンのリスクにおいて,最も重要な特徴の1つとなっていることが判明した。
  論文  参考訳（メタデータ） (2022-06-06T22:16:47Z)
• Preliminary Wildfire Detection Using State-of-the-art PTZ (Pan, Tilt, Zoom) Camera Technology and Convolutional Neural Networks [0.0]
  野生の火は、人間や自然によって引き起こされる可能性のある環境において、制御されていない火災である。 2020年だけで、カリフォルニア州の山火事は4200万エーカーの土地を燃やし、10,500の建物や建物を破壊し、31人以上が死んだ。 研究の目的は、森林火災が広がるのを防ぐため、初期の段階で森林火災を検出することである。
  論文  参考訳（メタデータ） (2021-09-10T19:30:37Z)
• Hierarchical Recurrent Attention Networks for Structured Online Maps [91.28820076955128]
  疎い3次元点雲からのオンライン道路網抽出の問題に対処する。 この手法はannotatorがレーングラフを構築する方法に触発され、まず何レーンあるかを特定し、順番に各レーンを描画する。 我々は,レーン境界の初期領域に順応する階層的リカレントネットワークを開発し,構造化ポリラインを出力することにより,それらを完全にトレースする。
  論文  参考訳（メタデータ） (2020-12-22T19:35:53Z)
• A Review of Vegetation Encroachment Detection in Power Transmission Lines using Optical Sensing Satellite Imagery [0.0]
  送電線における植生の侵食は停電を引き起こし、電力会社や消費者の経済に深刻な影響を及ぼす可能性がある。 植生の侵入を監視するには様々な方法が用いられたが、そのほとんどは高価で時間を要するものであった。 衛星画像は、比較的低コストで高い空間領域をカバーできるため、植生監視において重要な役割を果たす可能性がある。
  論文  参考訳（メタデータ） (2020-10-05T03:24:31Z)
• Learning CNN filters from user-drawn image markers for coconut-tree image classification [78.42152902652215]
  本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。 本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。 バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
  論文  参考訳（メタデータ） (2020-08-08T15:50:23Z)

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。