論文の概要: SegNet: A Segmented Deep Learning based Convolutional Neural Network Approach for Drones Wildfire Detection
- arxiv url: http://arxiv.org/abs/2405.00031v1
- Date: Thu, 29 Feb 2024 15:23:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 11:29:30.896003
- Title: SegNet: A Segmented Deep Learning based Convolutional Neural Network Approach for Drones Wildfire Detection
- Title（参考訳）: SegNet: ドローンのワイルドファイア検出のための分割型ディープラーニングベースの畳み込みニューラルネットワークアプローチ
- Authors: Aditya V. Jonnalagadda, Hashim A. Hashim,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.07180164747172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This research addresses the pressing challenge of enhancing processing times and detection capabilities in Unmanned Aerial Vehicle (UAV)/drone imagery for global wildfire detection, despite limited datasets. Proposing a Segmented Neural Network (SegNet) selection approach, we focus on reducing feature maps to boost both time resolution and accuracy significantly advancing processing speeds and accuracy in real-time wildfire detection. This paper contributes to increased processing speeds enabling real-time detection capabilities for wildfire, increased detection accuracy of wildfire, and improved detection capabilities of early wildfire, through proposing a new direction for image classification of amorphous objects like fire, water, smoke, etc. Employing Convolutional Neural Networks (CNNs) for image classification, emphasizing on the reduction of irrelevant features vital for deep learning processes, especially in live feed data for fire detection. Amidst the complexity of live feed data in fire detection, our study emphasizes on image feed, highlighting the urgency to enhance real-time processing. Our proposed algorithm combats feature overload through segmentation, addressing challenges arising from diverse features like objects, colors, and textures. Notably, a delicate balance of feature map size and dataset adequacy is pivotal. Several research papers use smaller image sizes, compromising feature richness which necessitating a new approach. We illuminate the critical role of pixel density in retaining essential details, especially for early wildfire detection. By carefully selecting number of filters during training, we underscore the significance of higher pixel density for proper feature selection. The proposed SegNet approach is rigorously evaluated using real-world dataset obtained by a drone flight and compared to state-of-the-art literature.
- Abstract（参考訳）: 本研究は,データセットが限られているにもかかわらず,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。
セグメンテッドニューラルネットワーク(SegNet)の選択手法を提案することで、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とともに、時間分解能と精度の両方を向上させる機能マップの削減に注力する。
本研究は,火災,水,煙などの非晶質物体の画像分類のための新しい方向を提案することにより,山火事のリアルタイム検出能力の向上,山火事の検出精度の向上,早期山火事の検出能力の向上に寄与する。
画像分類に畳み込みニューラルネットワーク(CNN)を使用し、ディープラーニングプロセス、特に火災検知のためのライブフィードデータにおいて、非関連機能の削減を強調している。
火災検知におけるライブフィードデータの複雑さの中で,本研究では,リアルタイム処理の緊急性を強調した。
提案アルゴリズムは,オブジェクトや色,テクスチャといった多様な特徴から生じる課題に対処するため,セグメンテーションを通じて機能のオーバーロードと戦う。
特に、特徴マップのサイズとデータセットの妥当性の微妙なバランスが重要である。
いくつかの研究論文では、より小さな画像サイズを使用し、新しいアプローチを必要とする特徴豊かさを妥協している。
我々は,特に早期の山火事検出において,重要な詳細を維持する上で,画素密度が重要な役割を担っていることを明らかにした。
トレーニング中のフィルタ数を慎重に選択することで、適切な特徴選択のための高ピクセル密度の重要性を強調した。
提案したSegNetアプローチは、ドローン飛行によって得られた実世界のデータセットを用いて、最先端の文献と比較して厳密に評価されている。
関連論文リスト
- Hardware Acceleration for Real-Time Wildfire Detection Onboard Drone
Networks [6.313148708539912]
遠隔地や森林地帯での山火事の検出は 破壊と生態系の保全を 最小化するのに不可欠です
ドローンは、高度な撮像技術を備えた、リモートで困難な地形へのアジャイルアクセスを提供する。
限られた計算とバッテリリソースは、画像分類モデルの実装と効率的な実装に困難をもたらす。
本稿では,リアルタイム画像分類と火災分断モデルの構築を目的とする。
論文 参考訳（メタデータ） (2024-01-16T04:16:46Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - Fire Detection From Image and Video Using YOLOv5 [0.0]
改良されたYOLOv5火災検出深層学習アルゴリズムを提案する。
Fire-YOLOv5は最先端のオブジェクト検出ネットワークと比較して優れた結果が得られる。
入力画像サイズが416×416のとき、平均検出時間は1フレームあたり0.12秒である。
論文 参考訳（メタデータ） (2023-10-10T06:37:03Z) - 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) - Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。
具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。
提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2022-09-12T15:05:41Z) - 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) - Lightweight Convolutional Neural Network with Gaussian-based Grasping
Representation for Robotic Grasping Detection [4.683939045230724]
現在の物体検出器は、高い精度と高速な推論速度のバランスを取るのが難しい。
ロボットつかみポーズ推定を行うための効率的かつ堅牢な完全畳み込みニューラルネットワークモデルを提案する。
ネットワークは、他の優れたアルゴリズムよりも桁違いに小さい順序です。
論文 参考訳（メタデータ） (2021-01-25T16:36:53Z) - 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) - Depthwise Non-local Module for Fast Salient Object Detection Using a
Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。
提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文 参考訳（メタデータ） (2020-01-22T15:23:48Z)
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。