論文の概要: Unified smoke and fire detection in an evolutionary framework with
self-supervised progressive data augment
- arxiv url: http://arxiv.org/abs/2202.07954v1
- Date: Wed, 16 Feb 2022 09:48:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-02-17 15:16:07.580134
- Title: Unified smoke and fire detection in an evolutionary framework with
self-supervised progressive data augment
- Title（参考訳）: 自己教師付き進行データ強化による進化的枠組みにおける統一煙と火災検知
- Authors: Hang Zhang, Su Yang, Hongyong Wang, zhongyan lu, helin sun
- Abstract要約: 本研究では,多ラベル画像分類問題として再ラベル化するために,大規模な画像データセットを収集する。
本研究では,画像のランダムな縫合によるデータ拡張手法を提案し,サイズ,変形,位置変化,背景変化の展開を行う。
実験により, 提案手法は, 同時発煙および火災検知のためのモデルの一般化性能を効果的に向上できることを示した。
- 参考スコア（独自算出の注目度）: 5.8363672020565005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few researches have studied simultaneous detection of smoke and flame
accompanying fires due to their different physical natures that lead to
uncertain fluid patterns. In this study, we collect a large image data set to
re-label them as a multi-label image classification problem so as to identify
smoke and flame simultaneously. In order to solve the generalization ability of
the detection model on account of the movable fluid objects with uncertain
shapes like fire and smoke, and their not compactible natures as well as the
complex backgrounds with high variations, we propose a data augment method by
random image stitch to deploy resizing, deforming, position variation, and
background altering so as to enlarge the view of the learner. Moreover, we
propose a self-learning data augment method by using the class activation map
to extract the highly trustable region as new data source of positive examples
to further enhance the data augment. By the mutual reinforcement between the
data augment and the detection model that are performed iteratively, both
modules make progress in an evolutionary manner. Experiments show that the
proposed method can effectively improve the generalization performance of the
model for concurrent smoke and fire detection.
- Abstract（参考訳）: 火を伴う煙と炎を同時に検出する研究はほとんど行われておらず、その物理的性質が不確実な流体パターンにつながる。
本研究では,煙と炎を同時に識別するために,多段画像分類問題として再ラベルする大規模画像データセットを収集した。
火災や煙などの不確実な形状の流体物体の検知モデルの一般化能力と,その非コンパクト性,および複雑な背景のばらつきを考慮し,ランダムな画像縫い込みによるデータ拡張手法を提案し, 再現性, 変形性, 位置変化, 背景変化を, 学習者の視界を拡大するために展開する。
さらに,クラスアクティベーションマップを用いて,信頼度の高い領域を,肯定的な例の新しいデータ源として抽出し,データ拡張をさらに強化する自己学習データ拡張手法を提案する。
データ拡張と反復的に実行される検出モデル間の相互強化により、両方のモジュールは進化的に前進する。
提案手法は,煙と火災を同時検出するモデルの一般化性能を効果的に向上できることを示す。
関連論文リスト
- Hiding Images in Diffusion Models by Editing Learned Score Functions [27.130542925771692]
現在の手法は、高い抽出精度、モデル忠実度、隠れ効率の限界を示す。
本稿では,学習したスコア関数を編集することによって,画像の逆拡散過程に特定のタイミングで埋め込む,シンプルで効果的なアプローチについて述べる。
また、勾配に基づくパラメータ選択と低ランク適応を組み合わせたパラメータ効率の微調整手法を導入し、モデル忠実度と隠蔽効率を向上する。
論文 参考訳（メタデータ） (2025-03-24T09:04:25Z) - One-for-More: Continual Diffusion Model for Anomaly Detection [61.12622458367425]
異常検出法は拡散モデルを用いて任意の異常画像が与えられたときの正常サンプルの生成または再構成を行う。
われわれは,拡散モデルが「重度忠実幻覚」と「破滅的な忘れ」に悩まされていることを発見した。
本研究では,安定な連続学習を実現するために勾配予測を用いた連続拡散モデルを提案する。
論文 参考訳（メタデータ） (2025-02-27T07:47:27Z) - Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。
注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文 参考訳（メタデータ） (2024-09-20T07:41:47Z) - Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。
フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。
設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
論文 参考訳（メタデータ） (2024-08-23T01:53:36Z) - A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。
本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。
背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
論文 参考訳（メタデータ） (2024-08-01T07:40:00Z) - Select-Mosaic: Data Augmentation Method for Dense Small Object Scenes [4.418515380386838]
モザイクデータ拡張技術は、トレーニングデータの多様性と複雑さを高めるために複数の画像を縫合する。
本稿では,詳細な領域選択戦略により改良されたSelect-Mosaicデータ拡張手法を提案する。
改良されたSelect-Mosaic法は、高密度小物体検出タスクの処理において優れた性能を示す。
論文 参考訳（メタデータ） (2024-06-08T09:22:08Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳（メタデータ） (2024-03-20T04:58:03Z) - Geometric Data Augmentations to Mitigate Distribution Shifts in Pollen
Classification from Microscopic Images [4.545340728210854]
我々は、幾何学的特徴が正確な花粉の同定に非常に重要であるというドメイン知識を活用している。
本稿では,列車におけるモデル性能とテストデータセットとの精度ギャップを著しく狭めるために,新しい2つの幾何画像拡張手法を提案する。
論文 参考訳（メタデータ） (2023-11-18T10:35:18Z) - Boosting Human-Object Interaction Detection with Text-to-Image Diffusion
Model [22.31860516617302]
本稿では,事前学習したテキスト画像拡散モデルに基づく新しいHOI検出方式であるDiffHOIを紹介する。
HOIデータセットのギャップを埋めるために、クラスバランス、大規模、高多様性の合成データセットであるSynHOIを提案する。
実験により、DiffHOIは通常の検出(41.50 mAP)とゼロショット検出において、最先端の技術を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2023-05-20T17:59:23Z) - Local Magnification for Data and Feature Augmentation [53.04028225837681]
LOMA(Local Magnification)と呼ばれる,実装が容易かつモデルフリーなデータ拡張手法を提案する。
LOMAは、画像の局所領域をランダムに拡大することにより、追加のトレーニングデータを生成する。
実験の結果,提案するLOMAと標準データ拡張を組み合わせることで,画像分類や物体検出の性能を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2022-11-15T02:51:59Z) - Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。
まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。
次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文 参考訳（メタデータ） (2021-12-31T10:03:47Z) - Contextual Fusion For Adversarial Robustness [0.0]
ディープニューラルネットワークは、通常、1つの特定の情報ストリームを処理し、様々な種類の敵の摂動に影響を受けやすいように設計されている。
そこで我々はPlaces-CNNとImagenet-CNNから並列に抽出した背景特徴と前景特徴を組み合わせた融合モデルを開発した。
グラデーションをベースとした攻撃では,フュージョンは乱れのないデータの性能を低下させることなく,分類の大幅な改善を可能にする。
論文 参考訳（メタデータ） (2020-11-18T20:13:23Z)
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。