Fugu-MT 論文翻訳(概要): WIT-UAS: A Wildland-fire Infrared Thermal Dataset to Detect Crew Assets From Aerial Views

論文の概要: WIT-UAS: A Wildland-fire Infrared Thermal Dataset to Detect Crew Assets From Aerial Views

arxiv url: http://arxiv.org/abs/2312.09159v1
Date: Thu, 14 Dec 2023 17:29:26 GMT
ステータス: 処理完了
システム内更新日: 2023-12-15 20:55:23.649493
Title: WIT-UAS: A Wildland-fire Infrared Thermal Dataset to Detect Crew Assets From Aerial Views
Title（参考訳）: WIT-UAS: 空中から宇宙船の集合を検知する赤外線熱データセット
Authors: Andrew Jong, Mukai Yu, Devansh Dhrafani, Siva Kailas, Brady Moon, Katia Sycara, Sebastian Scherer
Abstract要約: 我々は、所定の森林火災環境下での乗組員および車両資産の長距離赤外検知のためのWildland-fire Infrared Thermal (WIT-UAS)データセットを提示する。 WIT-UAS-ROSは、火災上におけるUAS飛行のセンサーとロボットデータを含む全ROSバッグファイルと、WIT-UAS-ROSから抽出されたハンドラベル長波長赤外線(LWIR)画像を含むWIT-UAS-ROSである。私たちのデータセットは、野生の火災環境において、初めてアセット検出に焦点を合わせたものです。
参考スコア（独自算出の注目度）: 0.8741284539870512
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present the Wildland-fire Infrared Thermal (WIT-UAS) dataset for long-wave infrared sensing of crew and vehicle assets amidst prescribed wildland fire environments. While such a dataset is crucial for safety monitoring in wildland fire applications, to the authors' awareness, no such dataset focusing on assets near fire is publicly available. Presumably, this is due to the barrier to entry of collaborating with fire management personnel. We present two related data subsets: WIT-UAS-ROS consists of full ROS bag files containing sensor and robot data of UAS flight over the fire, and WIT-UAS-Image contains hand-labeled long-wave infrared (LWIR) images extracted from WIT-UAS-ROS. Our dataset is the first to focus on asset detection in a wildland fire environment. We show that thermal detection models trained without fire data frequently detect false positives by classifying fire as people. By adding our dataset to training, we show that the false positive rate is reduced significantly. Yet asset detection in wildland fire environments is still significantly more challenging than detection in urban environments, due to dense obscuring trees, greater heat variation, and overbearing thermal signal of the fire. We publicize this dataset to encourage the community to study more advanced models to tackle this challenging environment. The dataset, code and pretrained models are available at \url{https://github.com/castacks/WIT-UAS-Dataset}.
Abstract（参考訳）: 我々は、所定の森林火災環境下での乗組員および車両資産の長距離赤外検知のためのWildland-fire Infrared Thermal (WIT-UAS)データセットを提示する。このようなデータセットは、山火事のアプリケーションにおける安全監視に不可欠であるが、著者の意識には、火災に近い資産に焦点を当てたデータセットは公開されていない。これは、消防隊員との共同作業の参入障壁によるものと思われる。 WIT-UAS-ROSは、火災上におけるUAS飛行のセンサデータとロボットデータを含むROSバッグファイルと、WIT-UAS-ROSから抽出されたハンドラベル長波赤外(LWIR)画像を含むWIT-UAS-ROSである。当社のデータセットは、森林火災環境におけるアセット検出に焦点を当てた最初のものです。火災データ無しで訓練された熱検出モデルは,火を人間として分類することにより誤検出を頻繁に行う。トレーニングにデータセットを追加することで、偽陽性率が大幅に減少することを示す。しかし、森林火災環境における資産検出は、密集した樹木、より熱の変化、火災の熱信号の過大さにより、都市環境における検出よりもはるかに難しい。私たちはこのデータセットを公開し、コミュニティがこの挑戦的な環境に取り組むために、より高度なモデルの研究を奨励します。データセット、コード、事前トレーニングされたモデルは、 \url{https://github.com/castacks/WIT-UAS-Dataset}で利用できる。

関連論文リスト

IRSAM: Advancing Segment Anything Model for Infrared Small Target Detection [55.554484379021524]
Infrared Small Target Detection (IRSTD) タスクは、自然画像と赤外線画像の間に顕著な領域ギャップがあるため、満足度の高い性能を達成するには不十分である。 IRSTDのためのIRSAMモデルを提案する。これはSAMのエンコーダデコーダアーキテクチャを改善し、赤外線小物体の特徴表現をより良く学習する。
論文参考訳（メタデータ） (2024-07-10T10:17:57Z)
Rapid Wildfire Hotspot Detection Using Self-Supervised Learning on Temporal Remote Sensing Data [0.12289361708127873]
衛星ネットワークや高度なAIモデルからリモートセンシングされたデータを活用して、ホットスポットを自動的に検出することは、山火事モニタリングシステムを構築する効果的な方法である。本稿では,欧州の火災イベントに関連するリモートセンシングデータの時系列を含む新しいデータセットと,多時期データを解析し,潜在的にほぼリアルタイムにホットスポットを識別できる自己監視学習(SSL)モデルを提案する。我々は、我々のデータセットといくつかの火災イベントを含む熱異常のデータセットであるThrawsを用いて、モデルの性能を訓練し、評価し、F1スコア63.58を得る。
論文参考訳（メタデータ） (2024-05-30T14:31:46Z)
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)
Wildfire Detection Via Transfer Learning: A Survey [2.766371147936368]
本稿では,山頂や森林見張り塔に設置した通常の視界カメラを用いて,山火事の検知に使用されるさまざまなニューラルネットワークモデルについて検討する。ニューラルネットワークモデルはImageNet-1Kで事前トレーニングされ、カスタムの山火事データセットで微調整される。
論文参考訳（メタデータ） (2023-06-21T13:57:04Z)
FireRisk: A Remote Sensing Dataset for Fire Risk Assessment with Benchmarks Using Supervised and Self-supervised Learning [1.6596490382976503]
本研究では, 火災リスク評価のために, 91872 画像を含む7つの火災リスククラスからなる新しいリモートセンシングデータセット FireRisk を提案する。 FireRiskでは,Masked Autoencoders (MAE) がImageNet1k上で事前トレーニングされ,65.29%の分類精度が得られた。
論文参考訳（メタデータ） (2023-03-13T11:54:16Z)
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)
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)
A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and Ground Truth [61.90504318229845]
本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
論文参考訳（メタデータ） (2022-06-13T19:14:06Z)
Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning [64.92447072894055]
赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
論文参考訳（メタデータ） (2021-10-07T02:28:18Z)
Speak2Label: Using Domain Knowledge for Creating a Large Scale Driver Gaze Zone Estimation Dataset [55.391532084304494]
ワイルド・データセットのドライバ・ゲイズには、夕方を含む1日の異なる時間に撮影された586の録音が含まれている。ワイルド・データセットのドライバ・ゲイズには338人の被験者がおり、年齢は18-63歳である。
論文参考訳（メタデータ） (2020-04-13T14:47:34Z)
Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
論文参考訳（メタデータ） (2020-03-05T05:29:44Z)

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。