論文の概要: Fire and Smoke Detection with Burning Intensity Representation

• arxiv url: http://arxiv.org/abs/2410.16642v1
• Date: Tue, 22 Oct 2024 02:41:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:28:53.936171
• Title: Fire and Smoke Detection with Burning Intensity Representation
• Title（参考訳）: 燃焼強度表現による火災・煙の検出
• Authors: Xiaoyi Han, Yanfei Wu, Nan Pu, Zunlei Feng, Qifei Zhang, Yijun Bei, Lechao Cheng,
• Abstract要約: 火災の破壊的可能性から, 効果的な火災・煙検知・解析システム(FSD)が重要視されている。 多くの既存のFSD法は、火災や煙の透明性を考慮せずに、直接ジェネリックオブジェクト検出技術を用いている。 この問題に対処するため,新しい火災・煙検知モデル (a-FSDM) が提案されている。
• 参考スコア（独自算出の注目度）: 14.738038604117364
• License:
• Abstract: An effective Fire and Smoke Detection (FSD) and analysis system is of paramount importance due to the destructive potential of fire disasters. However, many existing FSD methods directly employ generic object detection techniques without considering the transparency of fire and smoke, which leads to imprecise localization and reduces detection performance. To address this issue, a new Attentive Fire and Smoke Detection Model (a-FSDM) is proposed. This model not only retains the robust feature extraction and fusion capabilities of conventional detection algorithms but also redesigns the detection head specifically for transparent targets in FSD, termed the Attentive Transparency Detection Head (ATDH). In addition, Burning Intensity (BI) is introduced as a pivotal feature for fire-related downstream risk assessments in traditional FSD methodologies. Extensive experiments on multiple FSD datasets showcase the effectiveness and versatility of the proposed FSD model. The project is available at \href{https://xiaoyihan6.github.io/FSD/}{https://xiaoyihan6.github.io/FSD/}.
• Abstract（参考訳）: 火災の破壊的可能性から, 効果的な火災・煙検知・解析システム(FSD)が重要視されている。 しかし、多くの既存FSD法では、火災や煙の透明性を考慮せずに、直接汎用物体検出技術を用いており、不正確な局所化と検出性能の低下を招いている。 この問題に対処するため,新しい火災・煙検知モデル (a-FSDM) を提案する。 このモデルは、従来の検出アルゴリズムの堅牢な特徴抽出と融合能力を保持するだけでなく、Attentive Transparency Detection Head (ATDH)と呼ばれるFSDの透明なターゲットに特化して検出ヘッドを再設計する。 さらに、従来のFSD手法における火災関連下流リスクアセスメントの重要な特徴として、燃焼強度(BI)が導入されている。 複数のFSDデータセットに対する大規模な実験は、提案したFSDモデルの有効性と汎用性を示している。 このプロジェクトは \href{https://xiaoyihan6.github.io/FSD/}{https://xiaoyihan6.github.io/FSD/} で公開されている。

関連論文リスト

• Benchmarking Multi-Scene Fire and Smoke Detection [15.091410770385812]
  既存のパブリックファイア・アンド・スモーク検出(FSD)データセットの現在の不規則性は、FSD技術の進歩においてボトルネックとなっている。 我々は,現実のシーンを忠実に映し出す,標準化された,現実的で,統一された,効率的なFSD研究プラットフォームを確立することを目指している。
  論文  参考訳（メタデータ） (2024-10-22T02:19:23Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Coarse-to-Fine Proposal Refinement Framework for Audio Temporal Forgery Detection and Localization [60.899082019130766]
  本稿では、フレームレベル検出ネットワーク(FDN)と、音声の時間的偽造検出とローカライゼーションのための改良ネットワーク(PRN)を提案する。 FDNは、偽のフレーム間で情報的不整合の手がかりを抽出し、偽の領域を大まかに示すのに有用な識別的特徴を得る。 PRNは、FDNから派生した粗粒度の提案を洗練するために、信頼スコアと回帰オフセットを予測する責任がある。
  論文  参考訳（メタデータ） (2024-07-23T15:07:52Z)
• Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
  Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。 近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。 本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
  論文  参考訳（メタデータ） (2023-12-18T09:52:14Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Wildfire Smoke Detection with Cross Contrast Patch Embedding [5.965059322800441]
  Transformerベースのディープネットワークは、CNNに対して大きな優位性を示している。 色、透明度、テクスチャといった低レベルの情報は、煙の認識にとって非常に重要である。 煙のファジィ境界はジレンマのインスタンスに対して正と負のラベルを割り当てる。
  論文  参考訳（メタデータ） (2023-11-16T06:53:03Z)
• CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
  クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。 既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。 顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
  論文  参考訳（メタデータ） (2023-09-30T12:30:25Z)
• FoSp: Focus and Separation Network for Early Smoke Segmentation [0.6165605009782557]
  初期の煙のセグメンテーション(ESS)は、煙源の正確な識別を可能にし、火災の迅速な消火と大規模なガス漏れの防止を可能にした。 ESSは、その小さなスケールと透明な外観のため、従来の物体や通常の煙のセグメンテーションよりも大きな課題を生んでいる。 SmokeSegと呼ばれる高品質な実世界のデータセットを導入し、既存のデータセットよりも小さく透明な煙を含んでいる。
  論文  参考訳（メタデータ） (2023-06-07T14:45:24Z)
• 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)
• 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)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)

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。