論文の概要: Fire Dynamic Vision: Image Segmentation and Tracking for Multi-Scale Fire and Plume Behavior

• arxiv url: http://arxiv.org/abs/2408.08984v1
• Date: Fri, 16 Aug 2024 19:25:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-20 23:16:31.230655
• Title: Fire Dynamic Vision: Image Segmentation and Tracking for Multi-Scale Fire and Plume Behavior
• Title（参考訳）: ファイヤーダイナミックビジョン:マルチスケール火災とプルーム行動のための画像セグメンテーションと追跡
• Authors: Daryn Sagel, Bryan Quaife,
• Abstract要約: 野火は正確な火と羽ばたきの模型の必要性を強調している。 本研究では,様々な空間的・時間的スケールで火と煙の挙動を効果的に分離・追跡する手法を提案する。 提案手法は, 画像分割とグラフ理論を組み合わせることで, 火災前線と羽根境界を規定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing frequency and severity of wildfires highlight the need for accurate fire and plume spread models. We introduce an approach that effectively isolates and tracks fire and plume behavior across various spatial and temporal scales and image types, identifying physical phenomena in the system and providing insights useful for developing and validating models. Our method combines image segmentation and graph theory to delineate fire fronts and plume boundaries. We demonstrate that the method effectively distinguishes fires and plumes from visually similar objects. Results demonstrate the successful isolation and tracking of fire and plume dynamics across various image sources, ranging from synoptic-scale ($10^4$-$10^5$ m) satellite images to sub-microscale ($10^0$-$10^1$ m) images captured close to the fire environment. Furthermore, the methodology leverages image inpainting and spatio-temporal dataset generation for use in statistical and machine learning models.
• Abstract（参考訳）: 山火事の頻度と深刻度の増加は、正確な火災と煙の拡散モデルの必要性を浮き彫りにしている。 本研究では,様々な空間的・時間的尺度や画像タイプを効果的に分離・追跡し,システムの物理的現象を特定し,モデルの開発と検証に有用な洞察を提供するアプローチを提案する。 本手法は, 画像分割とグラフ理論を組み合わせることで, 火災前線と配管境界を規定する。 本手法は, 火災や羽根を視覚的に類似した物体と効果的に区別できることを実証する。 その結果,光合成スケール(10^4$-$10^5$m)からサブマイクロスケール(10^0$-$10^1$m)まで,様々な画像源における火災・煙道動態の分離と追跡に成功した。 さらに、この手法は、統計的および機械学習モデルでの使用のために、画像のインペイントと時空間データセット生成を利用する。

関連論文リスト

• Automated Image-Based Identification and Consistent Classification of Fire Patterns with Quantitative Shape Analysis and Spatial Location Identification [1.799933345199395]
  火のパターンは、火の挙動や起源についての洞察を提供する火のエフェクトから成り、伝統的に調査員の視覚的観察に基づいて分類される。 本研究では, 火災調査者を支援するための定量的な火災パターン分類手法を提案する。 フレームワークの分類結果は、合成データで93%、実際の火災パターンで83%の精度が得られる。
  論文  参考訳（メタデータ） (2024-10-30T15:15:41Z)
• Diff-Mosaic: Augmenting Realistic Representations in Infrared Small Target Detection via Diffusion Prior [63.64088590653005]
  本稿では拡散モデルに基づくデータ拡張手法であるDiff-Mosaicを提案する。 我々は,モザイク画像を高度に調整し,リアルな画像を生成するPixel-Priorという拡張ネットワークを導入する。 第2段階では,Diff-Prior という画像強調戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-02T06:23:05Z)
• FLAME Diffuser: Wildfire Image Synthesis using Mask Guided Diffusion [4.038140001938416]
  本研究では,現実的な山火事画像を生成するためのトレーニングフリーで拡散型フレームワークを提案する。 われわれのフレームワークは、本物の山火事データからサンプル化した拡張マスクを用いており、現実的な炎の発生を誘導するためにパーリンノイズを適用している。 正規化Frechet Inception Distance, CLIP Score, カスタムCLIP Confidence測定値を用いて生成画像を評価する。
  論文  参考訳（メタデータ） (2024-03-06T04:59:38Z)
• OsmLocator: locating overlapping scatter marks with a non-training generative perspective [48.50108853199417]
  重複するマークの配置には、テクスチャの欠如、文脈の少ない情報、ハロー形状、小さなサイズなど、多くの困難がある。 ここでは、クラスタリングに基づく再視覚化の最適化問題として、非学習的生成の観点から定式化する。 特に,異なるマーカーと様々な重なり合いの重なり合いを持つ何百もの散乱画像を含む2023というデータセットを構築し,提案手法を既存の手法と比較した。
  論文  参考訳（メタデータ） (2023-12-18T12:39:48Z)
• Foveation in the Era of Deep Learning [6.602118206533142]
  本稿では,グラフ畳み込みネットワークを利用してフェーブ化された画像を処理する,エンドツーエンドで微分可能なアクティブ・ビジョン・アーキテクチャを提案する。 我々のモデルは、分類に関連する画像の領域に反復的に出席することを学ぶ。 我々のモデルは最先端のCNNと、同等のパラメータと与えられたピクセルや予算の視覚アーキテクチャより優れています。
  論文  参考訳（メタデータ） (2023-12-03T16:48:09Z)
• Curved Diffusion: A Generative Model With Optical Geometry Control [56.24220665691974]
  最終シーンの外観に対する異なる光学系の影響は、しばしば見過ごされる。 本研究では,画像レンダリングに使用される特定のレンズとテキスト画像拡散モデルを密接に統合するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-29T13:06:48Z)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
  この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。 提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。 提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
  論文  参考訳（メタデータ） (2023-07-15T04:48:35Z)
• Experimental Large-Scale Jet Flames' Geometrical Features Extraction for Risk Management Using Infrared Images and Deep Learning Segmentation Methods [0.9236074230806579]
  ジェット火災は比較的小さく、工業プラントで起こりうる多様な火災事故の中では最も深刻な影響を受けない。 本研究は,ジェット火炎のセマンティックセグメンテーションを用いた別のアプローチにおけるディープラーニングモデルの適用について検討する。
  論文  参考訳（メタデータ） (2022-01-20T00:50:41Z)
• 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)
• Unsupervised Image-generation Enhanced Adaptation for Object Detection in Thermal images [4.810743887667828]
  本稿では、熱画像における物体検出のための教師なし画像生成拡張適応法を提案する。 可視領域と熱領域のギャップを低減するため,提案手法は擬似熱画像を生成する。 提案手法の有効性と優位性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-02-17T04:53:30Z)

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。