論文の概要: Comparing ML based Segmentation Models on Jet Fire Radiation Zone
- arxiv url: http://arxiv.org/abs/2107.03461v1
- Date: Wed, 7 Jul 2021 19:52:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 21:58:17.826324
- Title: Comparing ML based Segmentation Models on Jet Fire Radiation Zone
- Title（参考訳）: ジェット火災帯におけるMLに基づくセグメンテーションモデルの比較
- Authors: Carmina P\'erez-Guerrero, Adriana Palacios, Gilberto Ochoa-Ruiz,
Christian Mata, Miguel Gonzalez-Mendoza, Luis Eduardo Falc\'on-Morales
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Risk assessment is relevant in any workplace, however there is a degree of
unpredictability when dealing with flammable or hazardous materials so that
detection of fire accidents by itself may not be enough. An example of this is
the impingement of jet fires, where the heat fluxes of the flame could reach
nearby equipment and dramatically increase the probability of a domino effect
with catastrophic results. Because of this, the characterization of such fire
accidents is important from a risk management point of view. One such
characterization would be the segmentation of different radiation zones within
the flame, so this paper presents an exploratory research regarding several
traditional computer vision and Deep Learning segmentation approaches to solve
this specific problem. A data set of propane jet fires is used to train and
evaluate the different approaches and given the difference in the distribution
of the zones and background of the images, different loss functions, that seek
to alleviate data imbalance, are also explored. Additionally, different metrics
are correlated to a manual ranking performed by experts to make an evaluation
that closely resembles the expert's criteria. The Hausdorff Distance and
Adjsted Random Index were the metrics with the highest correlation and the best
results were obtained from the UNet architecture with a Weighted Cross-Entropy
Loss. These results can be used in future research to extract more geometric
information from the segmentation masks or could even be implemented on other
types of fire accidents.
- Abstract（参考訳）: リスクアセスメントはどの職場でも関係があるが、可燃性や危険物質を扱う場合の予測不可能性があり、それだけでは火災事故の検出が不十分である可能性がある。
この例として、火炎の熱流束が近くの機器に届き、破滅的な結果によってドミノ効果の確率が劇的に上昇するジェット火災がある。
このため、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。
このような特徴の1つは、火炎内の異なる放射線領域のセグメンテーションであり、本稿では、この問題を解決するために、いくつかの伝統的なコンピュータビジョンとディープラーニングセグメンテーションアプローチに関する探索的研究を行う。
異なるアプローチを訓練し評価するためにプロパンジェット火災のデータセットを使用し、画像のゾーン分布と背景の違いを考慮すると、データの不均衡を緩和しようとする異なる損失関数も検討される。
さらに、異なる指標は、専門家の基準によく似た評価を行うために専門家が行う手動ランキングと相関する。
ハウスドルフ距離と随伴乱数指数は相関率が最も高い指標であり,unetアーキテクチャの重み付きクロスエントロピー損失による最良の結果を得た。
これらの結果は将来の研究で、セグメンテーションマスクからより幾何学的な情報を抽出したり、他の種類の火災事故にも適用することができる。
関連論文リスト
- Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。
既存の偽造検出データセットとは異なり、自己構築のFairFDデータセットは、バランスの取れた人種比と、最も大規模な被験者との多様な偽造生成画像を含んでいる。
我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。
論文 参考訳（メタデータ） (2024-07-19T14:53:18Z) - FlameFinder: Illuminating Obscured Fire through Smoke with Attentive Deep Metric Learning [11.218765140036254]
FlameFinderは、山火事の監視中に消防士のドローンの熱画像を使って、煙によって隠されたとしても、炎を正確に検知するように設計されている。
従来のRGBカメラはそのような状況では苦戦するが、熱カメラは煙を吸収する炎の特徴を捉えることができる。
この問題を解決するために、FlameFinderは2枚の熱-RGB画像を用いてトレーニングを行っている。煙のないサンプルから潜熱火炎の特徴を学習することで、モデルは相対的な熱勾配に偏りが小さくなる。
論文 参考訳（メタデータ） (2024-04-09T23:24:19Z) - Geo-Localization Based on Dynamically Weighted Factor-Graph [74.75763142610717]
特徴に基づくジオローカライゼーションは、航空画像から抽出された特徴と車両のセンサーによって検出された特徴とを関連付けることに依存する。
これにより、ランドマークの種類は両方のソースから観測できなければならない。
車両軌道推定のための動的重み付き因子グラフモデルを提案する。
論文 参考訳（メタデータ） (2023-11-13T12:44:14Z) - Unsupervised Wildfire Change Detection based on Contrastive Learning [1.53934570513443]
山火事の深刻度を正確に評価することは, 火災発生地域における燃料条件のキャラクタリゼーションに寄与する。
本研究の目的は、高解像度マルチスペクトル衛星画像上に構築された自律システムを開発することである。
論文 参考訳（メタデータ） (2022-11-26T20:13:14Z) - Computer Vision-based Characterization of Large-scale Jet Flames using a
Synthetic Infrared Image Generation Approach [0.8431877864777444]
本稿では,可視光から可視赤外画像を生成するために,ジェネレーティブ・アドバイサル・ネットワーク(Generative Adversarial Networks)を提案する。
その結果,可視カメラと赤外線カメラの両方を用いて実施した実験の結果を現実的に再現することが可能であることが示唆された。
論文 参考訳（メタデータ） (2022-06-05T06:54:36Z) - 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) - From Static to Dynamic Prediction: Wildfire Risk Assessment Based on
Multiple Environmental Factors [69.9674326582747]
ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。
カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
論文 参考訳（メタデータ） (2021-03-14T17:56:17Z) - Shaping Deep Feature Space towards Gaussian Mixture for Visual
Classification [74.48695037007306]
視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。
分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。
提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
論文 参考訳（メタデータ） (2020-11-18T03:32:27Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳（メタデータ） (2020-09-01T15:08:23Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳（メタデータ） (2020-04-15T19:52:09Z)
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。