論文の概要: Automated Image-Based Identification and Consistent Classification of Fire Patterns with Quantitative Shape Analysis and Spatial Location Identification

• arxiv url: http://arxiv.org/abs/2410.23105v1
• Date: Wed, 30 Oct 2024 15:15:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:26:42.752934
• Title: Automated Image-Based Identification and Consistent Classification of Fire Patterns with Quantitative Shape Analysis and Spatial Location Identification
• Title（参考訳）: 定量的形状解析と空間的位置同定による火災パターンの自動識別と一致分類
• Authors: Pengkun Liu, Shuna Ni, Stanislav I. Stoliarov, Pingbo Tang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.799933345199395
• License:
• Abstract: Fire patterns, consisting of fire effects that offer insights into fire behavior and origin, are traditionally classified based on investigators' visual observations, leading to subjective interpretations. This study proposes a framework for quantitative fire pattern classification to support fire investigators, aiming for consistency and accuracy. The framework integrates four components. First, it leverages human-computer interaction to extract fire patterns from surfaces, combining investigator expertise with computational analysis. Second, it employs an aspect ratio-based random forest model to classify fire pattern shapes. Third, fire scene point cloud segmentation enables precise identification of fire-affected areas and the mapping of 2D fire patterns to 3D scenes. Lastly, spatial relationships between fire patterns and indoor elements support an interpretation of the fire scene. These components provide a method for fire pattern analysis that synthesizes qualitative and quantitative data. The framework's classification results achieve 93% precision on synthetic data and 83% on real fire patterns.
• Abstract（参考訳）: 火の挙動と発火源に関する洞察を提供する火のパターンは、伝統的に調査員の視覚的観察に基づいて分類され、主観的な解釈をもたらす。 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。 フレームワークは4つのコンポーネントを統合する。 まず、人間とコンピュータの相互作用を利用して、表面から火のパターンを抽出し、調査官の専門知識と計算分析を組み合わせる。 第2に、アスペクト比に基づくランダム森林モデルを用いて、火災パターンの形状を分類する。 第3に, 火災現場の雲のセグメンテーションにより, 消火領域の正確な識別と2次元火災パターンの3次元映像へのマッピングが可能となった。 最後に、火災パターンと屋内要素の空間的関係は、火災現場の解釈を支持する。 これらの成分は、定性的および定量的データを合成する火災パターン解析法を提供する。 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。

関連論文リスト

• Fire Dynamic Vision: Image Segmentation and Tracking for Multi-Scale Fire and Plume Behavior [0.0]
  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。
  論文  参考訳（メタデータ） (2024-08-16T19:25:19Z)
• FlameFinder: Illuminating Obscured Fire through Smoke with Attentive Deep Metric Learning [11.218765140036254]
  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。
  論文  参考訳（メタデータ） (2024-04-09T23:24:19Z)
• Generative Algorithms for Fusion of Physics-Based Wildfire Spread Models with Satellite Data for Initializing Wildfire Forecasts [0.0]
  衛星による火災検出の最近の進歩は、火災拡散予測を改善するために測定を使用する機会を与えている。 本研究は,衛星観測から山火事の歴史を推定する手法を開発した。
  論文  参考訳（メタデータ） (2023-09-05T23:24:34Z)
• Distinctive Self-Similar Object Detection [0.8488455943441636]
  火と煙の自己相似性の特徴的なフラクタル特性は, 様々な形状に苦しむのを緩和できる可能性が示唆された。 ケース間の類似性を記述するためにハウスドルフ距離を用いた半教師付き手法を設計する。 本実験は, 一般公開された火災・煙検知データセットを用いて実施した。
  論文  参考訳（メタデータ） (2022-11-20T15:15:57Z)
• Active Gaze Control for Foveal Scene Exploration [124.11737060344052]
  本研究では,葉型カメラを用いた人間とロボットが現場を探索する方法をエミュレートする手法を提案する。 提案手法は,同数の視線シフトに対してF1スコアを2～3ポイント増加させる。
  論文  参考訳（メタデータ） (2022-08-24T14:59:28Z)
• Assimilation of Satellite Active Fires Data [0.0]
  この論文の目的は、山火事のモデリング能力を改善することで、山火事の影響に対処する技術を開発することである。 特に,火災の履歴を構築する方法,山火事データを同化するための新しい技術,およびモデル化された火災の挙動を変更する方法を開発する。
  論文  参考訳（メタデータ） (2022-04-01T20:11:28Z)
• 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)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data [58.50411487497146]
  ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。 まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。 そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
  論文  参考訳（メタデータ） (2021-08-06T04:00:28Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)

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。