論文の概要: Creating a Safety Assurance Case for an ML Satellite-Based Wildfire
Detection and Alert System
- arxiv url: http://arxiv.org/abs/2211.04530v1
- Date: Tue, 8 Nov 2022 19:56:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 17:50:43.952429
- Title: Creating a Safety Assurance Case for an ML Satellite-Based Wildfire
Detection and Alert System
- Title（参考訳）: ML衛星による火災検知・警報システムのための安全保証事例の作成
- Authors: Richard Hawkins, Chiara Picardi, Lucy Donnell, Murray Ireland
- Abstract要約: 森林火災は世界の多くの地域でよくある問題であり、しばしば破滅的な結果をもたらす。
衛星データを使って火災を検知するシステムなど、山火事の早期警報を提供するために、多くのシステムが作成されている。
本稿では,ML山火事警報システムにおける安全保証事例について詳述する。
- 参考スコア（独自算出の注目度）: 2.7088996845250897
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Wildfires are a common problem in many areas of the world with often
catastrophic consequences. A number of systems have been created to provide
early warnings of wildfires, including those that use satellite data to detect
fires. The increased availability of small satellites, such as CubeSats, allows
the wildfire detection response time to be reduced by deploying constellations
of multiple satellites over regions of interest. By using machine learned
components on-board the satellites, constraints which limit the amount of data
that can be processed and sent back to ground stations can be overcome. There
are hazards associated with wildfire alert systems, such as failing to detect
the presence of a wildfire, or detecting a wildfire in the incorrect location.
It is therefore necessary to be able to create a safety assurance case for the
wildfire alert ML component that demonstrates it is sufficiently safe for use.
This paper describes in detail how a safety assurance case for an ML wildfire
alert system is created. This represents the first fully developed safety case
for an ML component containing explicit argument and evidence as to the safety
of the machine learning.
- Abstract（参考訳）: 野火は世界の多くの地域で共通の問題であり、しばしば壊滅的な結果をもたらす。
衛星データを使用して火災を検知するシステムを含む、野火の早期警告を提供するために多くのシステムが作成されている。
cubesatsのような小型衛星の可用性の向上により、複数の衛星の星座を関心のある領域に配置することで、ワイルドファイア検出応答時間を短縮できる。
衛星に搭載された機械学習コンポーネントを使用することで、処理や地上局への送信が可能なデータの量を制限する制約を克服することができる。
ワイルドファイア警報システムには、ワイルドファイアの存在を検知できなかったり、間違った場所でワイルドファイアを検知したりするといった危険がある。
したがって、十分に安全であることを示すワイルドファイアアラートMLコンポーネントの安全保証ケースを作成する必要がある。
本稿では,mlワイルドファイア警報システムにおける安全保証ケースの作成方法について詳述する。
これは、機械学習の安全性に関する明示的な議論と証拠を含むMLコンポーネントのための、初めて完全に開発された安全ケースである。
関連論文リスト
- A Synergistic Approach to Wildfire Prevention and Management Using AI, ML, and 5G Technology in the United States [44.99833362998488]
本研究は、アメリカ合衆国における山火事の検出および対処のための積極的な方法を検討する。
本研究の目的は,高度技術を用いた山火事の予防的検出と防止である。
AI対応のリモートセンシングや5Gベースのアクティブモニタリングなど、さまざまな方法により、アクティブな山火事の検出と管理が強化される。
論文 参考訳（メタデータ） (2024-02-27T04:09:30Z) - Optimal Wildfire Escape Route Planning for Drones under Dynamic Fire and
Smoke [3.9561033879611944]
無人航空機(UAV)の利用は、山火事管理の取り組みを支援する上で有望であることが示されている。
本研究は、ドローン専用に設計された最適な山火事避難経路計画システムの開発に焦点を当てる。
論文 参考訳（メタデータ） (2023-12-06T14:30:15Z) - A Multimodal Supervised Machine Learning Approach for Satellite-based
Wildfire Identification in Europe [0.34410212782758043]
本稿では,衛星による自動ホットスポット検出システムの精度を向上させるために,山火事識別ソリューションを提案する。
我々は、モデレート分解能イメージング分光計(MODIS)と可視赤外線放射計(VIIRS)ホットスポットサービスによって検出された熱異常を相互参照する。
そこで本稿では,山火事と他のイベントを区別し,ホットスポットの検出を曖昧にするための教師付き機械学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-27T08:28:57Z) - 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) - Foveate, Attribute, and Rationalize: Towards Physically Safe and
Trustworthy AI [76.28956947107372]
包括的不安全テキストは、日常的なシナリオから生じる可能性のある特定の関心領域であり、有害なテキストを検出するのが困難である。
安全の文脈において、信頼に値する合理的な生成のために外部知識を活用する新しいフレームワークであるFARMを提案する。
実験の結果,FARMはSafeTextデータセットの最先端結果を得ることができ,安全性の分類精度が5.9%向上したことがわかった。
論文 参考訳（メタデータ） (2022-12-19T17:51:47Z) - 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) - Sample-Efficient Safety Assurances using Conformal Prediction [57.92013073974406]
早期警戒システムは、安全でない状況が差し迫ったときに警告を提供することができる。
安全性を確実に向上させるためには、これらの警告システムは証明可能な偽陰性率を持つべきである。
本稿では,共形予測と呼ばれる統計的推論手法とロボット・環境力学シミュレータを組み合わせたフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-28T23:00:30Z) - 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) - Enabling Efficient Cyber Threat Hunting With Cyber Threat Intelligence [94.94833077653998]
ThreatRaptorは、オープンソースのCyber Threat Intelligence(OSCTI)を使用して、コンピュータシステムにおける脅威追跡を容易にするシステムである。
構造化されていないOSCTIテキストから構造化された脅威行動を抽出し、簡潔で表現力豊かなドメイン固有クエリ言語TBQLを使用して悪意のあるシステムアクティビティを探索する。
広範囲にわたる攻撃事例の評価は、現実的な脅威狩りにおけるThreatRaptorの精度と効率を実証している。
論文 参考訳（メタデータ） (2020-10-26T14:54:01Z) - Unmanned Aerial Systems for Wildland and Forest Fires [0.0]
森林火災は経済的損失、人命、重要な環境被害を引き起こす重要な自然災害である。
森林と森林の火災支援と戦闘のための専用ソリューションの開発に向けた研究が進められている。
無人航空システム(UAS)は操縦性のために有用であることが証明されている。
論文 参考訳（メタデータ） (2020-04-28T23:01:12Z)
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。