論文の概要: Distinctive Fire and Smoke Detection with Self-Similar
- arxiv url: http://arxiv.org/abs/2211.10995v1
- Date: Sun, 20 Nov 2022 15:15:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 17:52:08.924269
- Title: Distinctive Fire and Smoke Detection with Self-Similar
- Title（参考訳）: 自己相似による消火・煙検出
- Authors: Zeyu Shangguan
- Abstract要約: 本研究では,ハウゼンドルフ距離を用いて自己相似性を評価し,火災や煙の検出精度を向上させるために損失関数を調整することを提案する。
提案手法の有効性を確認し, 検出精度を2.23%向上させた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning based object detection is demonstrating a preponderance in the
practical artificial intelligence. However, there still are some objects that
are difficult to be recognized such as fire and smoke because of their
non-solid shapes. However, these objects have a mathematical fractal feature of
self-similar that can relieve us from struggling with their various shapes. To
this end, we propose to utilize the Hausdorff distance to evaluate the
self-similarity and accordingly tailored a loss function to improve the
detection accuracy of fire and smoke. Moreover, we proposed a general labeling
criterion for these objects based on their geometrical features. Our
experiments on commonly used baseline networks for object detection have
verified that our method is valid and have improved the detecting accuracy by
2.23%.
- Abstract（参考訳）: ディープラーニングに基づく物体検出は、実践的な人工知能の優位性を実証している。
しかし、形が固まっていないため、火や煙などの認識が難しい物もある。
しかし、これらの物体は自己相似の数学的フラクタル的特徴を持ち、様々な形状に苦しむのを和らげることができる。
そこで本稿では,ハウゼンドルフ距離を用いて自己相似性を評価し,火災・煙の検出精度を向上させるために損失関数を調整することを提案する。
さらに,これらの物体の幾何学的特徴に基づく一般的なラベル付け基準を提案した。
本手法が有効であることを確認し,検出精度を2.23%向上させた。
関連論文リスト
- Towards Consistent Object Detection via LiDAR-Camera Synergy [17.665362927472973]
物体の位置を点雲と画像の両方で検出できる既存のモデルは存在しない。
本稿では,エンドツーエンドの一貫性オブジェクト検出(COD)アルゴリズムフレームワークを提案する。
本稿では,点雲と画像間の物体相関の精度を評価するために,新しい評価指標である一貫性精度(Consistency Precision)を提案する。
論文 参考訳（メタデータ） (2024-05-02T13:04:26Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - Unsupervised Wildfire Change Detection based on Contrastive Learning [1.53934570513443]
山火事の深刻度を正確に評価することは, 火災発生地域における燃料条件のキャラクタリゼーションに寄与する。
本研究の目的は、高解像度マルチスペクトル衛星画像上に構築された自律システムを開発することである。
論文 参考訳（メタデータ） (2022-11-26T20:13:14Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳（メタデータ） (2022-07-13T13:59:59Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T19:57:19Z) - Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。
本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
論文 参考訳（メタデータ） (2021-12-21T17:10:21Z) - Uncertainty-aware Joint Salient Object and Camouflaged Object Detection [43.01556978979627]
本論文では, 相反する情報を活用し, 対流物体検出と迷彩物体検出の両方の検出能力を高めるパラダイムを提案する。
この2つのタスクの矛盾する属性を明示的にモデル化する類似度測度モジュールを導入する。
両タスクのデータセットにおけるラベル付けの不確実性を考慮して,高次類似度測定とネットワーク信頼度推定を両立させる逆学習ネットワークを提案する。
論文 参考訳（メタデータ） (2021-04-06T16:05:10Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳（メタデータ） (2020-11-17T09:39:42Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2020-06-19T18:57:51Z)
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。