論文の概要: Analyzing Multispectral Satellite Imagery of South American Wildfires
Using CNNs and Unsupervised Learning
- arxiv url: http://arxiv.org/abs/2201.09671v1
- Date: Wed, 19 Jan 2022 02:45:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-30 12:26:40.452012
- Title: Analyzing Multispectral Satellite Imagery of South American Wildfires
Using CNNs and Unsupervised Learning
- Title（参考訳）: CNNと教師なし学習を用いた南アメリカの山火事のマルチスペクトル衛星画像解析
- Authors: Christopher Sun
- Abstract要約: 本研究では,エクアドルとガラパゴスのランドサット8号の画像をスキップして完全な畳み込みニューラルネットワークを訓練する。
画像セグメンテーションは、K-Means Clusteringを用いてCirrus Cloudバンド上で行われ、連続したピクセル値を3つの離散クラスに単純化する。
さらに2つの畳み込みニューラルネットワークが訓練され、陸地における山火事の存在を分類する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since severe droughts are occurring more frequently and lengthening the dry
season in the Amazon Rainforest, it is important to respond to active wildfires
promptly and to forecast them before they become inextinguishable. Though
computer vision researchers have applied algorithms on large databases to
automatically detect wildfires, current models are computationally expensive
and are not versatile enough for the low technology conditions of regions in
South America. This comprehensive deep learning study first trains a Fully
Convolutional Neural Network with skip connections on multispectral Landsat 8
images of Ecuador and the Galapagos. The model uses Green and Short-wave
Infrared bands as inputs to predict each image's corresponding pixel-level
binary fire mask. This model achieves a 0.962 validation F2 score and a 0.932
F2 score on test data from Guyana and Suriname. Afterward, image segmentation
is conducted on the Cirrus Cloud band using K-Means Clustering to simplify
continuous pixel values into three discrete classes representing the degree of
cirrus cloud contamination. Two additional Convolutional Neural Networks are
trained to classify the presence of a wildfire in a patch of land using these
segmented cirrus images. The "experimental" model trained on the segmented
inputs achieves 96.5% binary accuracy and has smoother learning curves than the
"control model" that is not given the segmented inputs. This proof of concept
reveals that feature simplification can improve the performance of wildfire
detection models. Overall, the software built in this study is useful for early
and accurate detection of wildfires in South America.
- Abstract（参考訳）: アマゾン熱帯雨林では深刻な干ばつが頻繁に発生し乾季が長くなるため、活発な山火事に迅速に対応し、消火不能になる前に予測することが重要である。
コンピュータビジョンの研究者は、大規模なデータベースにアルゴリズムを適用して山火事を自動的に検出したが、現在のモデルは計算コストが高く、南米の低技術環境に十分適用できない。
この総合的なディープラーニングの研究は、まず、エクアドルとガラパゴスのマルチスペクトルランドサット8画像にスキップ接続を持つ完全畳み込みニューラルネットワークを訓練する。
このモデルは、緑と短波の赤外線帯域を入力として、各画像の対応するピクセルレベルの2値火炎マスクを予測する。
このモデルは、ガイアナとスリナムのテストデータで0.962バリデーションf2スコアと0.932f2スコアを達成する。
その後、K-Means Clusteringを用いてCirrus Cloudバンド上で画像セグメンテーションを行い、連続画素値をシラス雲汚染度を表す3つの離散クラスに単純化する。
さらに2つの畳み込みニューラルネットワークを訓練して、これらの分割されたサイラス画像を用いて、土地のパッチ内の野火の存在を分類する。
セグメンテーション入力で訓練された「実験」モデルは、96.5%の精度を達成し、セグメンテーション入力が与えられない「制御モデル」よりも滑らかな学習曲線を持つ。
この概念実証は、機能単純化によってワイルドファイア検出モデルの性能が向上することを示している。
この研究で開発されたソフトウェアは、南アメリカの山火事の早期かつ正確な検出に有用である。
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) - SegNet: A Segmented Deep Learning based Convolutional Neural Network Approach for Drones Wildfire Detection [2.07180164747172]
本研究は,無人航空機(UAV)/ドローンによる地球規模の山火事検出における処理時間と検出能力の向上という課題に対処するものである。
我々は,リアルタイムの山火事検出における処理速度と精度を大幅に向上させるため,特徴マップの削減に重点を置いている。
論文 参考訳（メタデータ） (2024-02-29T15:23:12Z) - Hardware Acceleration for Real-Time Wildfire Detection Onboard Drone
Networks [6.313148708539912]
遠隔地や森林地帯での山火事の検出は 破壊と生態系の保全を 最小化するのに不可欠です
ドローンは、高度な撮像技術を備えた、リモートで困難な地形へのアジャイルアクセスを提供する。
限られた計算とバッテリリソースは、画像分類モデルの実装と効率的な実装に困難をもたらす。
本稿では,リアルタイム画像分類と火災分断モデルの構築を目的とする。
論文 参考訳（メタデータ） (2024-01-16T04:16:46Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - Wildfire Detection Via Transfer Learning: A Survey [2.766371147936368]
本稿では,山頂や森林見張り塔に設置した通常の視界カメラを用いて,山火事の検知に使用されるさまざまなニューラルネットワークモデルについて検討する。
ニューラルネットワークモデルはImageNet-1Kで事前トレーニングされ、カスタムの山火事データセットで微調整される。
論文 参考訳（メタデータ） (2023-06-21T13:57:04Z) - Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。
本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。
実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
論文 参考訳（メタデータ） (2022-10-26T15:21:39Z) - Learning Enriched Illuminants for Cross and Single Sensor Color
Constancy [182.4997117953705]
ネットワークをトレーニングするためのクロスセンサ自己教師型トレーニングを提案する。
センサに依存しない方法で人工発光体をランダムにサンプリングすることでネットワークを訓練する。
実験により、我々のクロスセンサモデルとシングルセンサーモデルは、他の最先端手法よりも大きなマージンで優れていることが示された。
論文 参考訳（メタデータ） (2022-03-21T15:45:35Z) - 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) - Multi-attentional Deepfake Detection [79.80308897734491]
ディープフェイクによる顔の偽造はインターネットに広まり、深刻な社会的懸念を引き起こしている。
新たなマルチアテンテーショナルディープフェイク検出ネットワークを提案する。
具体的には,1)ネットワークを異なる局所的部分へ配置するための複数の空間的注意ヘッド,2)浅い特徴の微妙なアーティファクトをズームするテクスチャ的特徴拡張ブロック,3)低レベルなテクスチャ特徴と高レベルなセマンティクス特徴をアグリゲートする,の3つの構成要素からなる。
論文 参考訳（メタデータ） (2021-03-03T13:56:14Z) - Active Fire Detection in Landsat-8 Imagery: a Large-Scale Dataset and a
Deep-Learning Study [1.3764085113103217]
本稿では,深層学習技術を用いた火災検知のための大規模データセットについて紹介する。
本稿では,様々な畳み込みニューラルネットワークアーキテクチャを用いて手作りアルゴリズムを近似する方法について検討する。
提案されたデータセット、ソースコード、トレーニングされたモデルはGithubで入手できる。
論文 参考訳（メタデータ） (2021-01-09T19:05:03Z) - 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。