論文の概要: Sen2Fire: A Challenging Benchmark Dataset for Wildfire Detection using Sentinel Data

• arxiv url: http://arxiv.org/abs/2403.17884v1
• Date: Tue, 26 Mar 2024 17:16:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 14:08:24.603009
• Title: Sen2Fire: A Challenging Benchmark Dataset for Wildfire Detection using Sentinel Data
• Title（参考訳）: Sen2Fire:Sentinelデータを用いたワイルドファイア検出のためのベンチマークデータセット
• Authors: Yonghao Xu, Amanda Berg, Leif Haglund,
• Abstract要約: このデータセットは、Sentinel-2マルチスペクトルデータとSentinel-5Pエアロゾル製品から収集される。 各パッチのサイズは512$times$512で、13のバンドがある。 その結果、山火事検出に全バンドを使用するのに対し、特定のバンドの組み合わせを選択すると、優れた性能が得られることが示唆された。
• 参考スコア（独自算出の注目度）: 5.299803738642663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Utilizing satellite imagery for wildfire detection presents substantial potential for practical applications. To advance the development of machine learning algorithms in this domain, our study introduces the \textit{Sen2Fire} dataset--a challenging satellite remote sensing dataset tailored for wildfire detection. This dataset is curated from Sentinel-2 multi-spectral data and Sentinel-5P aerosol product, comprising a total of 2466 image patches. Each patch has a size of 512$\times$512 pixels with 13 bands. Given the distinctive sensitivities of various wavebands to wildfire responses, our research focuses on optimizing wildfire detection by evaluating different wavebands and employing a combination of spectral indices, such as normalized burn ratio (NBR) and normalized difference vegetation index (NDVI). The results suggest that, in contrast to using all bands for wildfire detection, selecting specific band combinations yields superior performance. Additionally, our study underscores the positive impact of integrating Sentinel-5 aerosol data for wildfire detection. The code and dataset are available online (https://zenodo.org/records/10881058).
• Abstract（参考訳）: 衛星画像を用いた山火事検出は、実用上大きな可能性を秘めている。 本研究は,この領域における機械学習アルゴリズムの開発を進めるために,山火事検出に適した衛星リモートセンシングデータセットであるtextit{Sen2Fire}データセットを紹介する。 このデータセットは、Sentinel-2マルチスペクトルデータとSentinel-5Pエアロゾル製品から収集され、合計2466枚の画像パッチで構成されている。 各パッチのサイズは512$\times$512で13のバンドがある。 本研究は, 各種波帯の消火応答に対する特異な感度を考慮し, 異なる波帯の評価による山火事検出の最適化と, 正規化燃焼率 (NBR) と正規化差分植生指数 (NDVI) といったスペクトル指標の組み合わせに着目した。 その結果、山火事検出に全バンドを使用するのに対し、特定のバンドの組み合わせを選択すると、優れた性能が得られることが示唆された。 さらに,本研究では, センチネル5エアロゾルデータの統合による山火事検出効果について, 肯定的な評価を行った。 コードとデータセットはオンラインで公開されている(https://zenodo.org/records/10881058)。

関連論文リスト

• Semi-Supervised Domain Adaptation for Wildfire Detection [20.86166825570607]
  本稿では,オブジェクト検出に半教師付きドメイン適応を利用する,山火事検出のための新しいプロトコルを提案する。 我々のデータセットは、現在の最大のベンチマークワイルドファイアデータセットHPWRENの30倍の多様性を持つラベル付きシーンを含んでいる。 我々のフレームワークは、平均精度の3.8%という顕著なマージンで、ソースのみのベースラインを著しく上回ります。
  論文  参考訳（メタデータ） (2024-04-02T11:03:13Z)
• Echoes Beyond Points: Unleashing the Power of Raw Radar Data in Multi-modality Fusion [74.84019379368807]
  本稿では,既存のレーダ信号処理パイプラインをスキップするEchoFusionという新しい手法を提案する。 具体的には、まずBird's Eye View (BEV)クエリを生成し、次にレーダーから他のセンサーとフューズに対応するスペクトル特徴を取ります。
  論文  参考訳（メタデータ） (2023-07-31T09:53:50Z)
• 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)
• Obscured Wildfire Flame Detection By Temporal Analysis of Smoke Patterns Captured by Unmanned Aerial Systems [0.799536002595393]
  本研究は,RGBカメラのみを搭載したドローンを用いて,隠された山火事をリアルタイムに検出する課題について論じる。 本稿では,ビデオシーケンス中の煙のパターンの時間的解析に基づくセマンティックセグメンテーションを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-30T19:45:43Z)
• 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)
• 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)
• Shot boundary detection method based on a new extensive dataset and mixed features [68.8204255655161]
  ビデオにおけるショット境界検出は、ビデオデータ処理の重要な段階の1つである。 カラーヒストグラムや物体境界などの映像特徴に基づくショット境界検出法が提案されている。
  論文  参考訳（メタデータ） (2021-09-02T16:19:24Z)
• From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
  単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。 これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
  論文  参考訳（メタデータ） (2021-08-24T13:25:02Z)
• Active Fire Detection in Landsat-8 Imagery: a Large-Scale Dataset and a Deep-Learning Study [1.3764085113103217]
  本稿では,深層学習技術を用いた火災検知のための大規模データセットについて紹介する。 本稿では,様々な畳み込みニューラルネットワークアーキテクチャを用いて手作りアルゴリズムを近似する方法について検討する。 提案されたデータセット、ソースコード、トレーニングされたモデルはGithubで入手できる。
  論文  参考訳（メタデータ） (2021-01-09T19:05:03Z)
• 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)
• PyODDS: An End-to-end Outlier Detection System with Automated Machine Learning [55.32009000204512]
  PyODDSは、データベースサポート付きアウトレイラ検出のための、エンドツーエンドのPythonシステムである。 具体的には,探索空間を外乱検出パイプラインで定義し,与えられた探索空間内で探索戦略を作成する。 また、データサイエンスや機械学習のバックグラウンドの有無に関わらず、統一されたインターフェイスと視覚化を提供する。
  論文  参考訳（メタデータ） (2020-03-12T03:30:30Z)

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。