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: 処理完了
- 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
- 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) - A Dual Attentive Generative Adversarial Network for Remote Sensing Image
Change Detection [6.906936669510404]
本稿では,高分解能なリモートセンシング画像変化検出タスクを実現するために,二重注意生成対向ネットワークを提案する。
DAGANフレームワークは、85.01%がIoU、91.48%がF1スコアであり、LEVIRデータセットの先進的な手法よりもパフォーマンスが良い。
論文 参考訳(メタデータ) (2023-10-03T08:26:27Z) - DiffusionEngine: Diffusion Model is Scalable Data Engine for Object
Detection [41.436817746749384]
Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。
DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
論文 参考訳(メタデータ) (2023-09-07T17:55:01Z) - ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。
提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。
提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文 参考訳(メタデータ) (2023-07-15T04:48:35Z) - 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) - Effective Data Augmentation With Diffusion Models [65.09758931804478]
我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。
本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。
本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
論文 参考訳(メタデータ) (2023-02-07T20:42:28Z) - 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) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳(メタデータ) (2021-11-27T12:12:57Z) - Robust Data Hiding Using Inverse Gradient Attention [82.73143630466629]
データ隠蔽タスクでは、異なる耐久性を有するため、カバー画像の各ピクセルを別々に扱う必要がある。
Inverse Gradient Attention (IGA) を用いた新しい深層データ隠蔽方式を提案する。
実証的な実験により、提案モデルが2つの先行するデータセット上で最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2020-11-21T19:08:23Z) - 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。