Fugu-MT 論文翻訳(概要): Semi-Supervised Domain Adaptation for Wildfire Detection

論文の概要: Semi-Supervised Domain Adaptation for Wildfire Detection

arxiv url: http://arxiv.org/abs/2404.01842v1
Date: Tue, 2 Apr 2024 11:03:13 GMT
ステータス: 処理完了
システム内更新日: 2024-04-03 16:49:07.450748
Title: Semi-Supervised Domain Adaptation for Wildfire Detection
Title（参考訳）: 半監督ドメイン適応による山火事検出
Authors: JooYoung Jang, Youngseo Cha, Jisu Kim, SooHyung Lee, Geonu Lee, Minkook Cho, Young Hwang, Nojun Kwak,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 20.86166825570607
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Recently, both the frequency and intensity of wildfires have increased worldwide, primarily due to climate change. In this paper, we propose a novel protocol for wildfire detection, leveraging semi-supervised Domain Adaptation for object detection, accompanied by a corresponding dataset designed for use by both academics and industries. Our dataset encompasses 30 times more diverse labeled scenes for the current largest benchmark wildfire dataset, HPWREN, and introduces a new labeling policy for wildfire detection. Inspired by CoordConv, we propose a robust baseline, Location-Aware Object Detection for Semi-Supervised Domain Adaptation (LADA), utilizing a teacher-student based framework capable of extracting translational variance features characteristic of wildfires. With only using 1% target domain labeled data, our framework significantly outperforms our source-only baseline by a notable margin of 3.8% in mean Average Precision on the HPWREN wildfire dataset. Our dataset is available at https://github.com/BloomBerry/LADA.
Abstract（参考訳）: 近年は、主に気候変動により、世界中の山火事の頻度と強度が増大している。本稿では,半教師付きドメイン適応をオブジェクト検出に活用した,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倍の多様なラベル付きシーンを含み、ワイルドファイア検出のための新しいラベル付けポリシーを導入しています。筆者らはCoordConvに触発されて,山火事の特徴のある翻訳分散特徴を抽出できる教師学生ベースのフレームワークを用いて,半監視ドメイン適応のためのロバストなベースラインである位置認識オブジェクト検出(LADA)を提案する。 1%のターゲットドメインラベル付きデータのみを使用することで、HPWRENのワイルドファイアデータセットの平均精度の平均3.8%の顕著なマージンで、我々のフレームワークは、ソースのみのベースラインを著しく上回ります。データセットはhttps://github.com/BloomBerry/LADAで公開しています。

関連論文リスト

Sen2Fire: A Challenging Benchmark Dataset for Wildfire Detection using Sentinel Data [5.299803738642663]
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。
論文参考訳（メタデータ） (2024-03-26T17:16:04Z)
Scrapping The Web For Early Wildfire Detection [0.0]
Pyroはウェブスクレイピングベースのデータセットで、カメラネットワークからの山火事のビデオで構成されている。データセットは、データの品質と多様性を改善し、最終的なデータを1万枚まで削減する戦略に基づいてフィルタリングされた。
論文参考訳（メタデータ） (2024-02-08T02:01:36Z)
Trust your Good Friends: Source-free Domain Adaptation by Reciprocal Neighborhood Clustering [50.46892302138662]
我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
論文参考訳（メタデータ） (2023-09-01T15:31:18Z)
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)
AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。提案手法は,複数のベンチマーク上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-09-22T10:23:40Z)
Local Context-Aware Active Domain Adaptation [61.59201475369795]
この問題に対処するために,LADAというローカルコンテキスト対応ADAフレームワークを提案する。そこで本研究では,モデル予測の局所的矛盾に基づく新しい基準を考案する。提案基準が既存のアクティブ・セレクション・ストラテジーよりも、より情報的なターゲット・サンプルを選択することが実験によって検証された。
論文参考訳（メタデータ） (2022-08-26T20:08:40Z)
Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
論文参考訳（メタデータ） (2022-03-29T17:50:43Z)
Next Day Wildfire Spread: A Machine Learning Data Set to Predict Wildfire Spreading from Remote-Sensing Data [5.814925201882753]
Next Day Wildfire Spread」は、アメリカ全土で10年近くにわたってリモートセンシングされたデータを収集した、歴史的な山火事の収集データである。我々は、このデータの空間情報を利用して、山火事の拡散を予測する畳み込みオートエンコーダを実装した。このデータセットは、リモートセンシングデータに基づく1日のリードタイムに基づく山火事伝播モデル開発のためのベンチマークとして使用することができる。
論文参考訳（メタデータ） (2021-12-04T23:28:44Z)
Discover, Hallucinate, and Adapt: Open Compound Domain Adaptation for Semantic Segmentation [91.30558794056056]
意味的セグメンテーションのための教師なしドメイン適応(UDA)が近年注目を集めている。我々は,発見,幻覚,適応の3つの主要な設計原則に基づく新しいフレームワークを提案する。我々は、標準ベンチマークGTAからC自動運転へのソリューションの評価を行い、新しい最先端の結果を得た。
論文参考訳（メタデータ） (2021-10-08T13:20:09Z)
Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文参考訳（メタデータ） (2020-09-17T07:39:52Z)

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。