論文の概要: Wildfire Smoke Detection with Cross Contrast Patch Embedding

• arxiv url: http://arxiv.org/abs/2311.10116v1
• Date: Thu, 16 Nov 2023 06:53:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 15:50:28.975273
• Title: Wildfire Smoke Detection with Cross Contrast Patch Embedding
• Title（参考訳）: クロスコントラストパッチ埋め込みによる山火事煙検出
• Authors: Chong Wang, Cheng Xu, Adeel Akram, Zhilin Shan, Qixing Zhang
• Abstract要約: Transformerベースのディープネットワークは、CNNに対して大きな優位性を示している。 色、透明度、テクスチャといった低レベルの情報は、煙の認識にとって非常に重要である。 煙のファジィ境界はジレンマのインスタンスに対して正と負のラベルを割り当てる。
• 参考スコア（独自算出の注目度）: 5.965059322800441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Transformer-based deep networks have increasingly shown significant advantages over CNNs. Some existing work has applied it in the field of wildfire recognition or detection. However, we observed that the vanilla Transformer is not friendly for extracting smoke features. Because low-level information such as color, transparency and texture is very important for smoke recognition, and transformer pays more attention to the semantic relevance between middle- or high-level features, and is not sensitive to the subtle changes of low-level features along the space. To solve this problem, we propose the Cross Contrast Patch Embedding(CCPE) module based on the Swin Transformer, which uses the multi-scales spatial frequency contrast information in both vertical and horizontal directions to improve the discrimination of the network on the underlying details. The fuzzy boundary of smoke makes the positive and negative label assignment for instances in a dilemma, which is another challenge for wildfires detection. To solve this problem, a Separable Negative Sampling Mechanism(SNSM) is proposed. By using two different negative instance sampling strategies on positive images and negative images respectively, the problem of supervision signal confusion caused by label diversity in the process of network training is alleviated. This paper also releases the RealFire Test, the largest real wildfire test set so far, to evaluate the proposed method and promote future research. It contains 50,535 images from 3,649 video clips. The proposed method has been extensively tested and evaluated on RealFire Test dataset, and has a significant performance improvement compared with the baseline detection models.
• Abstract（参考訳）: Transformerベースのディープネットワークは、CNNに対して大きな優位性を示している。 いくつかの既存の研究は、山火事の認識や検知の分野に適用している。 しかし,バニラ変圧器は煙の特徴抽出に適していないことがわかった。 色、透明性、テクスチャなどの低レベル情報は煙認識にとって非常に重要であり、トランスフォーマーは中・高レベル特徴間の意味的関連性に注意を払っており、空間における低レベル特徴の微妙な変化には敏感ではない。 この問題を解決するために,Swin Transformerに基づくCross Contrast Patch Embedding(CCPE)モジュールを提案する。 煙のファジィ境界は、ジレンマにおけるインスタンスの正のラベルと負のラベルを割り当てる。 この問題を解決するために,分離型負サンプリング機構(SNSM)を提案する。 正のイメージと負のイメージに対する2つの異なる負のインスタンスサンプリング戦略を用いることで、ネットワークトレーニングの過程でラベルの多様性に起因する信号の混乱が軽減される。 本稿では,提案手法の評価と今後の研究を促進するために,これまでで最大の実火試験セットであるRealFire Testをリリースする。 ビデオクリップは3,649枚から50,535枚である。 提案手法は,RealFire Testデータセット上で広範囲に検証および評価され,ベースライン検出モデルと比較して性能が大幅に向上した。

関連論文リスト

• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Beyond Night Visibility: Adaptive Multi-Scale Fusion of Infrared and Visible Images [49.75771095302775]
  赤外線および可視画像を用いた適応型マルチスケール核融合ネットワーク(AMFusion)を提案する。 まず、赤外画像と可視画像から空間的特徴と意味的特徴を分離し、前者が光分布の調整に使用される。 第2に,事前学習したバックボーンから抽出した検出機能を利用して,意味的特徴の融合を誘導する。 第3に、通常の光強度で融合画像を制約する新しい照明損失を提案する。
  論文  参考訳（メタデータ） (2024-03-02T03:52:07Z)
• SegNet: A Segmented Deep Learning based Convolutional Neural Network Approach for Drones Wildfire Detection [2.07180164747172]
  本研究は,無人航空機(UAV)/ドローンによる地球規模の山火事検出における処理時間と検出能力の向上という課題に対処するものである。 我々は,リアルタイムの山火事検出における処理速度と精度を大幅に向上させるため,特徴マップの削減に重点を置いている。
  論文  参考訳（メタデータ） (2024-02-29T15:23:12Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• 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)
• dual unet:a novel siamese network for change detection with cascade differential fusion [4.651756476458979]
  本稿では,変化検出タスク,すなわちDual-UNetのための新しいSiameseニューラルネットワークを提案する。 従来のバイテンポラル画像の符号化とは対照的に,画素の空間的差分関係に着目したエンコーダ差分アテンションモジュールを設計する。 実験により、提案手法は、一般的な季節変化検出データセットにおいて、常に最も高度な手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-12T14:24:09Z)
• Unsupervised Industrial Anomaly Detection via Pattern Generative and Contrastive Networks [6.393288885927437]
  本稿では,視覚変換器を用いた教師なし異常検出ネットワークを提案する。 階層的なタスク学習と人間の経験を利用して、その解釈可能性を高めます。 従来の最先端手法を超越した99.8%のAUCを実現した。
  論文  参考訳（メタデータ） (2022-07-20T10:09:53Z)
• Target-aware Dual Adversarial Learning and a Multi-scenario Multi-Modality Benchmark to Fuse Infrared and Visible for Object Detection [65.30079184700755]
  本研究は、物体検出のために異なるように見える赤外線と可視画像の融合の問題に対処する。 従来のアプローチでは、2つのモダリティの根底にある共通点を発見し、反復最適化またはディープネットワークによって共通空間に融合する。 本稿では、融合と検出の連立問題に対する二段階最適化の定式化を提案し、その後、核融合と一般的に使用される検出ネットワークのためのターゲット認識デュアル逆学習(TarDAL)ネットワークに展開する。
  論文  参考訳（メタデータ） (2022-03-30T11:44:56Z)
• Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
  変換器を用いた赤外線小径目標検出手法を提案する。 画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。 最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
  論文  参考訳（メタデータ） (2021-09-29T12:23:41Z)
• 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)
• Detecting Lane and Road Markings at A Distance with Perspective Transformer Layers [5.033948921121557]
  既存の手法では、検出精度は距離の増大とともに劣化することが多い。 これは、遠車線や道路標識が画像中の少数のピクセルを占有しているためである。 逆のパースペクティブマッピングは、パースペクティブの歪みを取り除くために使用できるが、本質的にはアーティファクトに繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-03-19T03:22:52Z)

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。