論文の概要: Fire and Smoke Datasets in 20 Years: An In-depth Review

• arxiv url: http://arxiv.org/abs/2503.14552v1
• Date: Mon, 17 Mar 2025 22:08:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:25:37.369723
• Title: Fire and Smoke Datasets in 20 Years: An In-depth Review
• Title（参考訳）: 20年後の火災と煙のデータセット:詳細レビュー
• Authors: Sayed Pedram Haeri Boroujeni, Niloufar Mehrabi, Fatemeh Afghah, Connor Peter McGrath, Danish Bhatkar, Mithilesh Anil Biradar, Abolfazl Razi,
• Abstract要約: 火と煙の現象は、自然環境、生態系、世界経済、さらには人間の生活や野生生物に重大な脅威をもたらす。 早期発見、リアルタイム監視、火災の全体的な影響を最小化するための効果的な戦略を実現するための、より高度で高度な技術が求められている。 これらのシステムは、検出や監視など、さまざまなタスクのための熟練した機械学習(ML)メソッドを作成するために、適切に高品質な火と煙のデータが利用可能であることに大きく依存している。
• 参考スコア（独自算出の注目度）: 3.865779317336744
• License:
• Abstract: Fire and smoke phenomena pose a significant threat to the natural environment, ecosystems, and global economy, as well as human lives and wildlife. In this particular circumstance, there is a demand for more sophisticated and advanced technologies to implement an effective strategy for early detection, real-time monitoring, and minimizing the overall impacts of fires on ecological balance and public safety. Recently, the rapid advancement of Artificial Intelligence (AI) and Computer Vision (CV) frameworks has substantially revolutionized the momentum for developing efficient fire management systems. However, these systems extensively rely on the availability of adequate and high-quality fire and smoke data to create proficient Machine Learning (ML) methods for various tasks, such as detection and monitoring. Although fire and smoke datasets play a critical role in training, evaluating, and testing advanced Deep Learning (DL) models, a comprehensive review of the existing datasets is still unexplored. For this purpose, we provide an in-depth review to systematically analyze and evaluate fire and smoke datasets collected over the past 20 years. We investigate the characteristics of each dataset, including type, size, format, collection methods, and geographical diversities. We also review and highlight the unique features of each dataset, such as imaging modalities (RGB, thermal, infrared) and their applicability for different fire management tasks (classification, segmentation, detection). Furthermore, we summarize the strengths and weaknesses of each dataset and discuss their potential for advancing research and technology in fire management. Ultimately, we conduct extensive experimental analyses across different datasets using several state-of-the-art algorithms, such as ResNet-50, DeepLab-V3, and YoloV8.
• Abstract（参考訳）: 火と煙の現象は、自然環境、生態系、世界経済、さらには人間の生活や野生生物に重大な脅威をもたらす。 このような状況下では、早期発見、リアルタイム監視、火災の全体的影響を最小化するための効果的な戦略を実現するための、より高度で先進的な技術が求められている。 近年,人工知能 (AI) とコンピュータビジョン (CV) フレームワークの急速な進歩は, 効率的な火災管理システムの開発に大きく革命をもたらした。 しかしながら、これらのシステムは、検出や監視など、さまざまなタスクのための熟練した機械学習(ML)メソッドを作成するために、適切に高品質な火と煙のデータが利用可能であることに大きく依存している。 火と煙のデータセットは、高度なディープラーニング(DL)モデルのトレーニング、評価、テストにおいて重要な役割を果たすが、既存のデータセットの包括的なレビューはまだ検討されていない。 この目的のために,過去20年間に収集された火災・煙のデータセットを体系的に分析し,評価するための詳細なレビューを提供する。 タイプ,サイズ,形式,収集方法,地理的多様性など,各データセットの特徴について検討する。 また、各データセットの特徴(RGB、熱、赤外線)と、異なる火災管理タスク(分類、セグメンテーション、検出)への適用性など)をレビューし、強調する。 さらに,各データセットの長所と短所をまとめた上で,火災管理における研究・技術の進展の可能性について論じる。 最終的に、ResNet-50、DeepLab-V3、YoloV8といった最先端のアルゴリズムを使って、さまざまなデータセットにわたる広範な実験的分析を行います。

関連論文リスト

• Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
  本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。 提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。 完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:14:32Z)
• Advanced Wildfire Prediction in Morocco: Developing a Deep Learning Dataset from Multisource Observations [0.0]
  本研究ではモロッコの山火事予測に特化して設計された,新しい包括的データセットを紹介する。 植生の健康度(NDVI)、人口密度、土壌水分量、気象データなどの重要な環境指標をまとめた。 予備的な結果は、このデータセットを用いたモデルが最大90%の精度を達成し、予測能力を著しく改善していることを示している。
  論文  参考訳（メタデータ） (2024-11-09T15:01:12Z)
• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• Explainable AI Integrated Feature Engineering for Wildfire Prediction [1.7934287771173114]
  本研究では,山火事の予測に関係した分類・回帰作業について,各種機械学習アルゴリズムの徹底的な評価を行った。 様々な種類の山火事を分類するために、XGBoostモデルは正確さと堅牢性で他よりも優れていた。 ランダムフォレスト回帰モデルでは、山火事の影響範囲を予測する上で、優れた結果が得られた。
  論文  参考訳（メタデータ） (2024-04-01T21:12:44Z)
• Performance Analysis of Support Vector Machine (SVM) on Challenging Datasets for Forest Fire Detection [0.0]
  本稿では,イメージデータセットを用いた森林火災検知の重要課題に対する支援ベクトルマシン(SVM)の性能と利用について検討する。 SVMは、画像内の火災に関連するパターンを認識する能力を示す。 本研究から得られた知見は,効率的な森林火災検知システムの開発に有効である。
  論文  参考訳（メタデータ） (2024-01-23T17:20:52Z)
• A comprehensive survey of research towards AI-enabled unmanned aerial systems in pre-, active-, and post-wildfire management [6.043705525669726]
  森林火災は世界でも最も破壊的な自然災害の1つであり、人命と森林の野生生物に壊滅的な被害をもたらしている。 近年、無人航空機(UAV)とディープラーニングモデルの統合によって推進される山火事における人工知能(AI)の使用は、より効果的な山火事管理を実装し、開発するための前例のない勢いを生み出している。
  論文  参考訳（メタデータ） (2024-01-04T05:09:35Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• Privacy-Preserving Graph Machine Learning from Data to Computation: A Survey [67.7834898542701]
  我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。 まずプライバシ保護グラフデータを生成する方法を検討する。 次に,プライバシ保護情報を送信する方法について述べる。
  論文  参考訳（メタデータ） (2023-07-10T04:30:23Z)
• 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)
• Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review [0.0]
  異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。 データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。 本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
  論文  参考訳（メタデータ） (2020-10-27T09:56:16Z)

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。