論文の概要: FIgLib & SmokeyNet: Dataset and Deep Learning Model for Real-Time Wildland Fire Smoke Detection

• arxiv url: http://arxiv.org/abs/2112.08598v1
• Date: Thu, 16 Dec 2021 03:49:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 15:53:03.641470
• Title: FIgLib & SmokeyNet: Dataset and Deep Learning Model for Real-Time Wildland Fire Smoke Detection
• Title（参考訳）: FIgLibとSmokeyNet:リアルタイム森林火災煙検知のためのデータセットとディープラーニングモデル
• Authors: Anshuman Dewangan, Yash Pande, Hans-Werner Braun, Frank Vernon, Ismael Perez, Ilkay Atlintas, Gary Cottrell, Mai H. Nguyen
• Abstract要約: Fire Ignition Library (FIgLib) は、25,000点近い山火事の煙画像のデータセットである。 SmokeyNetは、リアルタイムの山火事煙検知にカメラ画像からの時間情報を利用する、新しいディープラーニングアーキテクチャである。 FIgLibデータセットでトレーニングすると、SmokeyNetは同等のベースラインを上回り、人間のパフォーマンスに匹敵する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The size and frequency of wildland fires in the western United States have dramatically increased in recent years. On high fire-risk days, a small fire ignition can rapidly grow and get out of control. Early detection of fire ignitions from initial smoke can assist the response to such fires before they become difficult to manage. Past deep learning approaches for wildfire smoke detection have suffered from small or unreliable datasets that make it difficult to extrapolate performance to real-world scenarios. In this work, we present the Fire Ignition Library (FIgLib), a publicly-available dataset of nearly 25,000 labeled wildfire smoke images as seen from fixed-view cameras deployed in Southern California. We also introduce SmokeyNet, a novel deep learning architecture using spatio-temporal information from camera imagery for real-time wildfire smoke detection. When trained on the FIgLib dataset, SmokeyNet outperforms comparable baselines and rivals human performance. We hope that the availability of the FIgLib dataset and the SmokeyNet architecture will inspire further research into deep learning methods for wildfire smoke detection, leading to automated notification systems that reduce the time to wildfire response.
• Abstract（参考訳）: アメリカ合衆国西部における森林火災の規模と頻度は近年劇的に増加している。 高火の日は、小さな火の点火が急速に増加し、制御不能になる。 初期煙からの発火の早期検出は、管理が困難になる前に、このような火災に対する応答を助けることができる。 過去のワイルドファイアスモーク検出のディープラーニングアプローチでは、小さな、あるいは信頼性の低いデータセットに苦しめられ、パフォーマンスを現実世界のシナリオに推定することが困難になっている。 本研究では,南カリフォルニアに設置した固定ビューカメラから25,000枚近いラベル付ワイルドファイア煙画像のデータセットであるfiglib(fire ignite library)を提案する。 また,カメラ画像からの時空間情報を利用した,新しいディープラーニングアーキテクチャであるsmokeynetも紹介する。 FIgLibデータセットでトレーニングすると、SmokeyNetは同等のベースラインを上回り、人間のパフォーマンスに匹敵する。 figlibデータセットとsmokeynetアーキテクチャが利用可能になれば、wildfireスモーク検出のためのディープラーニング方法に関するさらなる研究が促進され、wildfire応答の時間を短縮する自動通知システムが実現することを期待しています。

関連論文リスト

• Detecting Wildfires on UAVs with Real-time Segmentation Trained by Larger Teacher Models [0.0]
  森林火災の早期発見は、大規模な火災が大規模な環境、構造、社会的な被害をもたらすのを防ぐために不可欠である。 無人航空機(UAV)は、最小限のインフラを必要とする迅速な配備で、大規模な遠隔地を効果的にカバーすることができる。 しかし、遠隔地では、高帯域幅のモバイルネットワークが欠如しているため、UAVは検出のためのオンボードコンピューティングに限られている。 本研究では,境界ボックスラベルのみを用いて,小さなセグメンテーションモデルを訓練する方法を示す。
  論文  参考訳（メタデータ） (2024-08-19T11:42:54Z)
• Scrapping The Web For Early Wildfire Detection: A New Annotated Dataset of Images and Videos of Smoke Plumes In-the-wild [0.0]
  PyroNear-2024は、画像とビデオの両方で構成された新しいデータセットで、煙管検出モデルのトレーニングと評価を可能にする。 textit(i) パブリックなカメラネットワークからの山火事のWebスクラップビデオ、ワイルドファイア検出のためのワイルドファイア検出用ビデオ、我々の社内のカメラネットワークからのテキスト(ii) ビデオ、そしてtextit(iii) 合成画像と実画像のごく一部から得られたデータである。
  論文  参考訳（メタデータ） (2024-02-08T02:01:36Z)
• FORFIS: A forest fire firefighting simulation tool for education and research [90.40304110009733]
  本稿では,Python で実装された森林火災消火シミュレーションツール FORFIS について述べる。 私たちのツールは underv3 ライセンスを公開しており、GUI と出力機能が追加されています。
  論文  参考訳（メタデータ） (2023-05-29T09:14:38Z)
• Multimodal Wildland Fire Smoke Detection [5.15911752972989]
  研究によると、気候変動によって温暖な温度と乾燥状態が生まれ、長い山火事の季節と米国の山火事のリスクが増大する。 スモーキーネット(SmokeyNet)は,森林火災の煙を検出するための時間的情報を用いた深層学習モデルである。 SmokeyNetは、ほんの数分の時間で自動早期通知システムとして機能し、破壊的な山火事との戦いに有用なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T01:16:06Z)
• Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
  この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。 そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
  論文  参考訳（メタデータ） (2022-12-09T11:32:36Z)
• Image-based Early Detection System for Wildfires [2.8494271563126676]
  森林火災は土地の被害、財産の喪失、大気汚染、さらには人命の喪失を引き起こす破壊的な現象である。 本稿では,機械学習を用いて山火事の煙を高精度に検出するWildfire Detection and Alertシステムを提案する。 私たちの技術は現在、米国内で毎日何百ものカメラから送られてくるデータを監視するために使われています。
  論文  参考訳（メタデータ） (2022-11-03T07:38:30Z)
• Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning [64.92447072894055]
  赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。 既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
  論文  参考訳（メタデータ） (2021-10-07T02:28:18Z)
• 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)
• STCNet: Spatio-Temporal Cross Network for Industrial Smoke Detection [52.648906951532155]
  本稿では,産業用煙排出ガスを識別する新しい時空間クロスネットワーク(STCNet)を提案する。 提案するSTCNetは, テクスチャの特徴を抽出する空間的特徴と, 煙の動き情報を捕捉する時間的経路を含む。 STCNetは、RISE産業煙検知データセットにおいて、最も優れた競合相手に対して6.2%の精度で明確な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2020-11-10T02:28:47Z)
• Dynamic Community Detection into Analyzing of Wildfires Events [55.72431452586636]
  本研究では,山火事の動態について,動的コミュニティ構造が明らかにする情報について検討する。 アマゾン盆地の火災イベントのMODISデータセットを用いた実験を行った。 以上の結果から,年間を通じて観測される山火事のパターンを明らかに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） (2020-11-02T17:31:47Z)
• Uncertainty Aware Wildfire Management [6.997483623023005]
  アメリカ合衆国では近年の山火事で生命が失われ、数十億ドルが失われた。 大規模に展開するリソースは限られており、火災の広がりを予測することは困難である。 本稿では,山火事対策のための意思決定論的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-15T17:47:31Z)

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。