論文の概要: FireLite: Leveraging Transfer Learning for Efficient Fire Detection in Resource-Constrained Environments
- arxiv url: http://arxiv.org/abs/2409.20384v1
- Date: Mon, 30 Sep 2024 15:20:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-02 07:46:26.873485
- Title: FireLite: Leveraging Transfer Learning for Efficient Fire Detection in Resource-Constrained Environments
- Title（参考訳）: FireLite:資源制約環境における効率的な火災検知のための伝達学習
- Authors: Mahamudul Hasan, Md Maruf Al Hossain Prince, Mohammad Samar Ansari, Sabrina Jahan, Abu Saleh Musa Miah, Jungpil Shin,
- Abstract要約: 火災の危険は非常に危険であり、特に輸送産業のような分野では、政治的不安が発生の可能性を増大させる。
輸送車両の火災検知システムの設置を容易にするためにIPカメラを利用することで、火災による被害を積極的に防止することができる。
本稿では,限られたリソースを持つ状況下での迅速な火災検知のために設計された低パラメータ畳み込みニューラルネットワーク(CNN)であるFireLiteを紹介する。
- 参考スコア（独自算出の注目度）: 0.5497663232622964
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fire hazards are extremely dangerous, particularly in sectors such as the transportation industry, where political unrest increases the likelihood of their occurrence. By employing IP cameras to facilitate the setup of fire detection systems on transport vehicles, losses from fire events may be prevented proactively. However, the development of lightweight fire detection models is required due to the computational constraints of the embedded systems within these cameras. We introduce FireLite, a low-parameter convolutional neural network (CNN) designed for quick fire detection in contexts with limited resources, in response to this difficulty. With an accuracy of 98.77\%, our model -- which has just 34,978 trainable parameters achieves remarkable performance numbers. It also shows a validation loss of 8.74 and peaks at 98.77 for precision, recall, and F1-score measures. Because of its precision and efficiency, FireLite is a promising solution for fire detection in resource-constrained environments.
- Abstract（参考訳）: 火災の危険は非常に危険であり、特に輸送産業のような分野では、政治的不安が発生の可能性を増大させる。
輸送車両の火災検知システムの設置を容易にするためにIPカメラを利用することで、火災による被害を積極的に防止することができる。
しかし,これらのカメラ内の組込みシステムの計算制約により,軽量火災検知モデルの開発が求められている。
本稿では,この難易度に対応するために,限られたリソースを持つ状況下での迅速な火災検知を目的とした低パラメータ畳み込みニューラルネットワーク(CNN)であるFireLiteを紹介する。
98.77\%の精度で、トレーニング可能なパラメータがわずか34,978しか持たない我々のモデルは、顕著なパフォーマンス数を達成する。
また、精度、リコール、F1スコア測定で8.74の検証損失と98.77のピークも示している。
その精度と効率のため、FireLiteはリソース制約のある環境での火災検知のための有望なソリューションである。
関連論文リスト
- 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) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - 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) - FireRisk: A Remote Sensing Dataset for Fire Risk Assessment with
Benchmarks Using Supervised and Self-supervised Learning [1.6596490382976503]
本研究では, 火災リスク評価のために, 91872 画像を含む7つの火災リスククラスからなる新しいリモートセンシングデータセット FireRisk を提案する。
FireRiskでは,Masked Autoencoders (MAE) がImageNet1k上で事前トレーニングされ,65.29%の分類精度が得られた。
論文 参考訳（メタデータ） (2023-03-13T11:54:16Z) - 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) - 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) - Aerial Imagery Pile burn detection using Deep Learning: the FLAME
dataset [9.619617596045911]
FLAME(Fire Luminosity Airborne-based Machine Learning Evaluation)は、火災の空中画像のデータセットを提供する。
本論文は,アリゾナ松林において,所定の燃えるデトリタスの間,ドローンが収集した火災画像データセットを提供する。
また、この論文は2つの機械学習問題の解決策を強調している: 火炎の存在と不在に基づくビデオフレームのバイナリ分類。
論文 参考訳（メタデータ） (2020-12-28T00:00:41Z) - KutralNet: A Portable Deep Learning Model for Fire Recognition [4.886882441164088]
火災認識のための浮動小数点演算(浮動小数点演算)の少ない新しいディープラーニングアーキテクチャを提案する。
また, 火災認識のための携帯型手法と, モデル計算コスト削減のための近代技術の利用を提案する。
私たちのモデルの1つは、FireNetよりも71%少ないパラメータを示しながら、競争精度とAUROCのパフォーマンスを示しています。
論文 参考訳（メタデータ） (2020-08-16T09:35:25Z) - Neural Network Virtual Sensors for Fuel Injection Quantities with
Provable Performance Specifications [71.1911136637719]
証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。
本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
論文 参考訳（メタデータ） (2020-06-30T23:33:17Z) - Cooling-Shrinking Attack: Blinding the Tracker with Imperceptible Noises [87.53808756910452]
The method is proposed to deceive-of-the-the-art SiameseRPN-based tracker。
本手法は転送性に優れ,DaSiamRPN,DaSiamRPN-UpdateNet,DiMPなどの他のトップパフォーマンストラッカーを騙すことができる。
論文 参考訳（メタデータ） (2020-03-21T07:13:40Z)
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。