論文の概要: Wildfire Smoke Detection with Computer Vision
- arxiv url: http://arxiv.org/abs/2301.05070v1
- Date: Thu, 12 Jan 2023 15:12:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 13:42:58.869203
- Title: Wildfire Smoke Detection with Computer Vision
- Title（参考訳）: コンピュータビジョンによる火災煙検出
- Authors: Eldan R. Daniel
- Abstract要約: YOLOv7は、オブジェクト検出モデルをトレーニングするための単純で高速で効率的なアルゴリズムを提供する。
その結果,信頼度が0.298のF1曲線において0.74のスコアが得られた。
これらの指標は,煙柱の検出におけるモデルの弾力性と有効性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Wildfires are becoming more frequent and their effects more devastating every
day. Climate change has directly and indirectly affected the occurrence of
these, as well as social phenomena have increased the vulnerability of people.
Consequently, and given the inevitable occurrence of these, it is important to
have early warning systems that allow a timely and effective response.
Artificial intelligence, machine learning and Computer Vision offer an
effective and achievable alternative for opportune detection of wildfires and
thus reduce the risk of disasters. YOLOv7 offers a simple, fast, and efficient
algorithm for training object detection models which can be used in early
detection of smoke columns in the initial stage wildfires. The developed model
showed promising results, achieving a score of 0.74 in the F1 curve when the
confidence level is 0.298, that is, a higher score at lower confidence levels
was obtained. This means when the conditions are favorable for false positives.
The metrics demonstrates the resilience and effectiveness of the model in
detecting smoke columns.
- Abstract（参考訳）: 森林火災が頻発し、その影響は毎日激しさを増している。
気候変動はこれらの発生に直接的・間接的に影響し、社会現象は人々の脆弱性を増大させた。
したがって、これらが必然的に発生することを考慮し、タイムリーかつ効果的な応答を可能にする早期警戒システムを持つことが重要である。
人工知能、機械学習、コンピュータビジョンは、山火事の検出を効果的かつ達成可能な代替手段を提供し、災害のリスクを低減する。
yolov7は、初期野火の煙柱の早期検出に使用できる、オブジェクト検出モデルのトレーニングのための、シンプルで高速で効率的なアルゴリズムを提供する。
その結果,F1曲線の信頼度が0.298の場合には0.74点,信頼度が0.298点,信頼度が低い場合には0.74点を得た。
これは、条件が偽陽性に有利である場合を意味する。
これらの指標は,煙柱の検出におけるモデルの弾力性と有効性を示す。
関連論文リスト
- Learning to Calibrate for Reliable Visual Fire Detection [8.483524700407157]
火災は突然の発火と破壊力によって特徴付けられ、早期の火災検知は人間の安全と保護の確保に不可欠である。
ディープラーニングモデルは、しばしば過剰な自信を示す傾向を示し、既存のほとんどの研究は、主に分類性能の向上に焦点を当てている。
本研究では,不確実性を測定する指標である期待誤差(ECE)を微分可能なCE損失関数に変換することを提案する。
この損失とクロスエントロピーの損失が組み合わされ、多クラス火災検知モデルの訓練プロセスが導かれる。
論文 参考訳（メタデータ） (2025-02-14T02:45:16Z) - Adversarial Robustness for Deep Learning-based Wildfire Prediction Models [3.4528046839403905]
本稿では,山火事検出モデルの対角的堅牢性を評価するための,最初のモデルに依存しないフレームワークであるWARPを紹介する。
WARPは、大域的および局所的な敵攻撃手法を用いて、煙像の多様性の限界に対処する。
WARPの包括的な堅牢性分析は、山火事固有のデータ拡張戦略の開発に寄与した。
論文 参考訳（メタデータ） (2024-12-28T04:06:29Z) - Extreme Miscalibration and the Illusion of Adversarial Robustness [66.29268991629085]
敵の訓練は、しばしばモデルの堅牢性を高めるために使用される。
我々は、この観測されたロバストネスの利得はロバストネスの錯覚(IOR)であることを示した。
我々は,NLPコミュニティに対して,試験時間温度のスケーリングを堅牢性評価に組み込むよう促す。
論文 参考訳（メタデータ） (2024-02-27T13:49:12Z) - 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) - Recurrent Convolutional Deep Neural Networks for Modeling Time-Resolved
Wildfire Spread Behavior [0.0]
高忠実度モデルはリアルタイムの火災応答に使用するには計算コストがかかりすぎる。
低忠実度モデルは、経験的測定を統合することで、いくつかの物理的精度と一般化性を犠牲にしている。
機械学習技術は、第一原理物理学を学習することで、これらの目的を橋渡しする能力を提供する。
論文 参考訳（メタデータ） (2022-10-28T21:23:03Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Preliminary Wildfire Detection Using State-of-the-art PTZ (Pan, Tilt,
Zoom) Camera Technology and Convolutional Neural Networks [0.0]
野生の火は、人間や自然によって引き起こされる可能性のある環境において、制御されていない火災である。
2020年だけで、カリフォルニア州の山火事は4200万エーカーの土地を燃やし、10,500の建物や建物を破壊し、31人以上が死んだ。
研究の目的は、森林火災が広がるのを防ぐため、初期の段階で森林火災を検出することである。
論文 参考訳（メタデータ） (2021-09-10T19:30:37Z) - Assessing out-of-domain generalization for robust building damage
detection [78.6363825307044]
建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。
モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。
今後はOOD体制に重点を置くべきだと我々は主張する。
論文 参考訳（メタデータ） (2020-11-20T10:30:43Z) - Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。
ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
論文 参考訳（メタデータ） (2020-03-21T17:46:28Z) - Temporal Sparse Adversarial Attack on Sequence-based Gait Recognition [56.844587127848854]
このような攻撃に対して,最先端の歩行認識モデルが脆弱であることを示す。
生成した対向ネットワークに基づくアーキテクチャを用いて、対向的な高品質な歩行シルエットやビデオフレームを意味的に生成する。
実験結果から, フレームの1分の1しか攻撃されない場合, 対象モデルの精度は劇的に低下することがわかった。
論文 参考訳（メタデータ） (2020-02-22T10:08:42Z)
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。