論文の概要: Mirror Target YOLO: An Improved YOLOv8 Method with Indirect Vision for Heritage Buildings Fire Detection

• arxiv url: http://arxiv.org/abs/2411.13997v1
• Date: Thu, 21 Nov 2024 10:23:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:20:20.873314
• Title: Mirror Target YOLO: An Improved YOLOv8 Method with Indirect Vision for Heritage Buildings Fire Detection
• Title（参考訳）: 鏡のターゲット YOLO: 遺産建物の火災検知のための間接視による改良されたYOLOv8法
• Authors: Jian Liang, JunSheng Cheng,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.77603385164533
• License:
• Abstract: Fires can cause severe damage to heritage buildings, making timely fire detection essential. Traditional dense cabling and drilling can harm these structures, so reducing the number of cameras to minimize such impact is challenging. Additionally, avoiding false alarms due to noise sensitivity and preserving the expertise of managers in fire-prone areas is crucial. To address these needs, we propose a fire detection method based on indirect vision, called Mirror Target YOLO (MITA-YOLO). MITA-YOLO integrates indirect vision deployment and an enhanced detection module. It uses mirror angles to achieve indirect views, solving issues with limited visibility in irregular spaces and aligning each indirect view with the target monitoring area. The Target-Mask module is designed to automatically identify and isolate the indirect vision areas in each image, filtering out non-target areas. This enables the model to inherit managers' expertise in assessing fire-risk zones, improving focus and resistance to interference in fire detection.In our experiments, we created an 800-image fire dataset with indirect vision. Results show that MITA-YOLO significantly reduces camera requirements while achieving superior detection performance compared to other mainstream models.
• Abstract（参考訳）: 火災は歴史的建造物に深刻な被害をもたらし、タイムリーな火災検知が不可欠である。 従来の密集したキャベツや掘削はこれらの構造を損なう可能性があるため、そのような影響を最小限に抑えるためのカメラの数を減らすことは困難である。 さらに、騒音の感度による誤報を回避し、消防署の管理者の専門知識を維持することも重要である。 これらのニーズに対処するために,ミラーターゲットYOLO (Mirror Target 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。 ミラーアングルを使用して間接的なビューを達成し、不規則な空間での視認性に制限のある問題を解決し、各間接ビューを対象の監視領域と整合させる。 Target-Maskモジュールは、画像内の間接視覚領域を自動的に識別し、分離し、非ターゲット領域をフィルタリングするように設計されている。 これにより、モデルがマネージャの専門知識を継承し、火災検知における焦点と干渉に対する耐性を改善し、間接的なビジョンを備えた800イメージの火災データセットを作成しました。 その結果,MITA-YOLOは,他の主流モデルに比べて検出性能が優れており,カメラの要求を著しく低減することがわかった。

関連論文リスト

• CCi-YOLOv8n: Enhanced Fire Detection with CARAFE and Context-Guided Modules [0.0]
  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。
  論文  参考訳（メタデータ） (2024-11-17T09:31:04Z)
• LAM-YOLO: Drones-based Small Object Detection on Lighting-Occlusion Attention Mechanism YOLO [0.9062164411594178]
  LAM-YOLOは、ドローンベースの画像に特化して設計されたオブジェクト検出モデルである。 我々は、異なる照明条件下での小さな目標の視認性を高めるために、光遮断注意機構を導入する。 次に、回帰損失関数として改良されたSIB-IoUを用いてモデル収束を加速し、局所化精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-01T10:00:48Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• 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)
• Threatening Patch Attacks on Object Detection in Optical Remote Sensing Images [55.09446477517365]
  自然画像における物体検出における高度なパッチアタック(PA)は、ディープニューラルネットワークに基づく手法における大きな安全性の脆弱性を指摘した。 我々は,TPAと呼ばれる視覚的品質の低下を伴わない,より危険度の高いPAを提案する。 我々の知る限りでは、これがO-RSIにおけるオブジェクト検出におけるPAの研究の最初の試みであり、この研究が読者にこのトピックの研究に興味を持たせることを願っている。
  論文  参考訳（メタデータ） (2023-02-13T02:35:49Z)
• 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)
• 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)
• Adversarially-Aware Robust Object Detector [85.10894272034135]
  本稿では,ロバスト検出器 (RobustDet) を提案する。 本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2022-07-13T13:59:59Z)
• Exploring Thermal Images for Object Detection in Underexposure Regions for Autonomous Driving [67.69430435482127]
  アンダーエクスポージャー地域は、安全な自動運転のための周囲の完全な認識を構築するのに不可欠である。 サーマルカメラが利用可能になったことで、他の光学センサーが解釈可能な信号を捉えていない地域を探索するための重要な代替手段となった。 本研究は,可視光画像から熱画像へ学習を伝達するためのスタイル伝達手法を用いたドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-01T09:59:09Z)

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。