論文の概要: FlameFinder: Illuminating Obscured Fire through Smoke with Attentive Deep Metric Learning
- arxiv url: http://arxiv.org/abs/2404.06653v1
- Date: Tue, 9 Apr 2024 23:24:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-11 15:59:05.375018
- Title: FlameFinder: Illuminating Obscured Fire through Smoke with Attentive Deep Metric Learning
- Title（参考訳）: FlameFinder: 深層学習による煙による難燃火のイルミネーション
- Authors: Hossein Rajoli, Sahand Khoshdel, Fatemeh Afghah, Xiaolong Ma,
- Abstract要約: FlameFinderは、山火事の監視中に消防士のドローンの熱画像を使って、煙によって隠されたとしても、炎を正確に検知するように設計されている。
従来のRGBカメラはそのような状況では苦戦するが、熱カメラは煙を吸収する炎の特徴を捉えることができる。
この問題を解決するために、FlameFinderは2枚の熱-RGB画像を用いてトレーニングを行っている。煙のないサンプルから潜熱火炎の特徴を学習することで、モデルは相対的な熱勾配に偏りが小さくなる。
- 参考スコア（独自算出の注目度）: 11.218765140036254
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: FlameFinder is a deep metric learning (DML) framework designed to accurately detect flames, even when obscured by smoke, using thermal images from firefighter drones during wildfire monitoring. Traditional RGB cameras struggle in such conditions, but thermal cameras can capture smoke-obscured flame features. However, they lack absolute thermal reference points, leading to false positives.To address this issue, FlameFinder utilizes paired thermal-RGB images for training. By learning latent flame features from smoke-free samples, the model becomes less biased towards relative thermal gradients. In testing, it identifies flames in smoky patches by analyzing their equivalent thermal-domain distribution. This method improves performance using both supervised and distance-based clustering metrics.The framework incorporates a flame segmentation method and a DML-aided detection framework. This includes utilizing center loss (CL), triplet center loss (TCL), and triplet cosine center loss (TCCL) to identify optimal cluster representatives for classification. However, the dominance of center loss over the other losses leads to the model missing features sensitive to them. To address this limitation, an attention mechanism is proposed. This mechanism allows for non-uniform feature contribution, amplifying the critical role of cosine and triplet loss in the DML framework. Additionally, it improves interpretability, class discrimination, and decreases intra-class variance. As a result, the proposed model surpasses the baseline by 4.4% in the FLAME2 dataset and 7% in the FLAME3 dataset for unobscured flame detection accuracy. Moreover, it demonstrates enhanced class separation in obscured scenarios compared to VGG19, ResNet18, and three backbone models tailored for flame detection.
- Abstract（参考訳）: FlameFinder(フラムファインダー)は、火災監視中の消防士ドローンの熱画像を使用して、煙によって隠された場合でも、炎を正確に検出するために設計されたディープ・メトリック・ラーニング(DML)フレームワークである。
従来のRGBカメラはそのような状況では苦戦するが、熱カメラは煙を吸収する炎の特徴を捉えることができる。
しかし、絶対的な熱基準点が欠如しており、偽陽性につながるため、FlameFinderはペアの熱-RGB画像をトレーニングに利用している。
煙のない試料から潜熱火炎の特徴を学習することにより、モデルは相対的な熱勾配への偏りが小さくなる。
テストでは、同等の熱領域分布を分析して、スモーキーパッチ中の炎を識別する。
本手法は, 火炎分断法とDML支援検出フレームワークを組み込んだ, 監視と距離に基づくクラスタリングのメトリクスを用いて, 性能改善を行う。
これには、中心損失(CL)、三重項中心損失(TCL)、三重項コサイン中心損失(TCCL)を利用して、分類のための最適なクラスタ代表者を特定する。
しかし、他の損失よりも中心的損失が優位であることは、モデルがそれらに敏感な特徴を欠いていることに繋がる。
この制限に対処するため,注意機構を提案する。
このメカニズムは、DMLフレームワークにおけるコサインと三重項損失の重要な役割を増幅する、一様でない特徴の寄与を可能にする。
さらに、解釈可能性、クラス識別を改善し、クラス内の分散を減少させる。
その結果,提案モデルはFLAME2データセットでは4.4%,FLAME3データセットでは7%,未観測火炎検出精度では7%を超えている。
さらに、炎検出に適したVGG19、ResNet18、および3つのバックボーンモデルと比較して、不明瞭なシナリオにおけるクラス分離の強化を示す。
関連論文リスト
- Machine Learning-based Layer-wise Detection of Overheating Anomaly in LPBF using Photodiode Data [0.0]
本研究は,光ダイオードセンサデータを用いた過熱異常の検出に焦点を当てた。
光ダイオードセンサーは、プロセスのダイナミクスと熱履歴を反映して、溶融プールから高周波データを収集することができる。
提案手法は,フォトダイオードセンサデータを用いて過熱異常を階層的に検出する機械学習フレームワークを提供する。
論文 参考訳（メタデータ） (2024-03-20T01:12:44Z) - 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) - FSDNet-An efficient fire detection network for complex scenarios based
on YOLOv3 and DenseNet [8.695064779659031]
本稿では,特徴抽出モジュール,火災分類モジュール,火災検出モジュールから構成されるFSDNet(Fire Smoke Detection Network)を提案する。
2つのベンチマークデータセットにおけるFSDNetの精度は、それぞれ99.82%と91.15%であり、MS-FSの平均精度は86.80%である。
論文 参考訳（メタデータ） (2023-04-15T15:46:08Z) - 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) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳（メタデータ） (2022-01-29T10:54:57Z) - Weakly-supervised fire segmentation by visualizing intermediate CNN
layers [82.75113406937194]
画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。
我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。
CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-11-16T11:56:28Z) - Attention on Classification for Fire Segmentation [82.75113406937194]
本稿では,画像中の火災の分類とセグメンテーションのための畳み込みニューラルネットワーク(CNN)を提案する。
我々は,空間的自己認識機構を用いて画素間の長距離依存性を捉えるとともに,分類確率を注目重みとして利用する新しいチャネルアテンションモジュールを提案する。
論文 参考訳（メタデータ） (2021-11-04T19:52:49Z) - 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) - Estimation of excess air coefficient on coal combustion processes via
gauss model and artificial neural network [0.0]
CCDカメラで得られた炎像と余剰空気係数(ラムダ)の関係をモデル化した。
特徴ラムダのマッチングには多層人工ニューラルネットワーク(ANN)が用いられている。
論文 参考訳（メタデータ） (2021-07-23T18:47:56Z) - Comparing ML based Segmentation Models on Jet Fire Radiation Zone [0.0]
リスク管理の観点からは,火災事故の特徴付けが重要である。
そのような特徴の1つは、火炎内の異なる放射帯のセグメンテーションである。
プロパンジェット火災のデータセットは、異なるアプローチの訓練と評価に使用される。
論文 参考訳（メタデータ） (2021-07-07T19:52:52Z) - Towards High Performance Human Keypoint Detection [87.1034745775229]
文脈情報は人体構成や見えないキーポイントを推論する上で重要な役割を担っている。
そこで我々は,空間とチャネルのコンテキスト情報を効率的に統合するカスケードコンテキストミキサー(CCM)を提案する。
CCMの表現能力を最大化するために、我々は、強陰性な人検出マイニング戦略と共同訓練戦略を開発する。
検出精度を向上させるために,キーポイント予測を後処理するためのいくつかのサブピクセル改良手法を提案する。
論文 参考訳（メタデータ） (2020-02-03T02:24:51Z)
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。