Fugu-MT 論文翻訳(概要): CCi-YOLOv8n: Enhanced Fire Detection with CARAFE and Context-Guided Modules

論文の概要: CCi-YOLOv8n: Enhanced Fire Detection with CARAFE and Context-Guided Modules

arxiv url: http://arxiv.org/abs/2411.11011v1
Date: Sun, 17 Nov 2024 09:31:04 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-19 14:33:15.749489
Title: CCi-YOLOv8n: Enhanced Fire Detection with CARAFE and Context-Guided Modules
Title（参考訳）: CCi-YOLOv8n: CARAFEとコンテキストガイドモジュールによる火災検出の強化
Authors: Kunwei Lv,
Abstract要約: 都市部や森林地帯での火災は深刻な脅威となる。小型火災や煙の検知を目標とした改良型YOLOv8モデルであるCCi-YOLOv8nを提案する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Fire incidents in urban and forested areas pose serious threats,underscoring the need for more effective detection technologies. To address these challenges, we present CCi-YOLOv8n, an enhanced YOLOv8 model with targeted improvements for detecting small fires and smoke. The model integrates the CARAFE up-sampling operator and a context-guided module to reduce information loss during up-sampling and down-sampling, thereby retaining richer feature representations. Additionally, an inverted residual mobile block enhanced C2f module captures small targets and fine smoke patterns, a critical improvement over the original model's detection capacity.For validation, we introduce Web-Fire, a dataset curated for fire and smoke detection across diverse real-world scenarios. Experimental results indicate that CCi-YOLOv8n outperforms YOLOv8n in detection precision, confirming its effectiveness for robust fire detection tasks.
Abstract（参考訳）: 都市部や森林地帯での火災は深刻な脅威となり、より効果的な検出技術の必要性を浮き彫りにしている。これらの課題に対処するため,小型火災や煙の検知を目標とした改良型YOLOv8モデルであるCCi-YOLOv8nを提案する。このモデルはCARAFEアップサンプリング演算子とコンテキスト誘導モジュールを統合し、アップサンプリングおよびダウンサンプリング時の情報損失を低減し、よりリッチな特徴表現を保持する。さらに、逆移動ブロック強化C2fモジュールは、小さなターゲットと細かな煙パターンをキャプチャし、元のモデルの検出能力を大幅に改善する。実験の結果, CCi-YOLOv8n は YOLOv8n よりも精度が高く, 頑健な火災検知タスクの有効性が確認された。

関連論文リスト

Mirror Target YOLO: An Improved YOLOv8 Method with Indirect Vision for Heritage Buildings Fire Detection [39.77603385164533]
ミラーターゲットヨロ(mita-YOLO)と呼ばれる間接視覚に基づく火災検知手法を提案する。 MITA-YOLOは間接視覚展開と拡張検出モジュールを統合している。鏡角を用いて間接的なビューを達成し、不規則空間における可視性に制限のある問題を解決する。
論文参考訳（メタデータ） (2024-11-21T10:23:00Z)
TACO: Adversarial Camouflage Optimization on Trucks to Fool Object Detectors [0.0]
敵攻撃は、自動運転車や防衛システムといった重要なアプリケーションにおいて、機械学習モデルの信頼性を脅かす。本稿では3次元車両モデル上での対向カモフラージュパターンを生成する新しいフレームワークであるTrack Adversarial Camouflage Optimization (TACO)を提案する。 TACO は YOLOv8 の検出性能を著しく低下させ, 未確認試験データに対して AP@0.5 の 0.0099 を達成した。
論文参考訳（メタデータ） (2024-10-28T18:40:06Z)
YOLO-ELA: Efficient Local Attention Modeling for High-Performance Real-Time Insulator Defect Detection [0.0]
無人航空機からの絶縁体欠陥検出のための既存の検出方法は、複雑な背景や小さな物体と競合する。本稿では,この課題に対処するため,新しい注目基盤アーキテクチャであるYOLO-ELAを提案する。高分解能UAV画像による実験結果から,本手法は96.9% mAP0.5,リアルタイム検出速度74.63フレーム/秒を実現した。
論文参考訳（メタデータ） (2024-10-15T16:00:01Z)
EFA-YOLO: An Efficient Feature Attention Model for Fire and Flame Detection [3.334973867478745]
EAConv(Efficient Attention Downsampling)とEADown(Efficient Attention Downsampling)の2つの重要なモジュールを提案する。これら2つのモジュールに基づいて,効率的な軽量火炎検出モデル EFA-YOLO (Efficient Feature Attention YOLO) を設計する。 EFA-YOLOは検出精度(mAP)と推論速度を著しく向上させ、モデルパラメータの量を94.6削減し、推論速度を88倍改善した。
論文参考訳（メタデータ） (2024-09-19T10:20:07Z)
D-YOLO a robust framework for object detection in adverse weather conditions [0.0]
ヘイズ、雪、雨などの逆の気象条件は、画像品質の低下を招き、深層学習に基づく検知ネットワークの性能低下を招きかねない。画像復元とオブジェクト検出のタスクをよりうまく統合するために,注目機能融合モジュールを備えた二重経路ネットワークを設計した。我々はまた,検出ネットワークにヘイズフリーな機能を提供するサブネットワークを提案し,特に,明瞭な特徴抽出サブネットワークと検出ネットワーク間の距離を最小化することにより,検出ネットワークの性能を向上させる。
論文参考訳（メタデータ） (2024-03-14T09:57:15Z)
SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文参考訳（メタデータ） (2024-03-08T16:14:54Z)
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)
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)
CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion Models [72.93652777646233]
カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
論文参考訳（メタデータ） (2023-05-29T07:49:44Z)
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)
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)

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。