論文の概要: Semantic BIM enrichment for firefighting assets: Fire-ART dataset and panoramic image-based 3D reconstruction
- arxiv url: http://arxiv.org/abs/2511.01399v1
- Date: Mon, 03 Nov 2025 09:48:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 16:37:27.210236
- Title: Semantic BIM enrichment for firefighting assets: Fire-ART dataset and panoramic image-based 3D reconstruction
- Title（参考訳）: 消防資産のセマンティックBIM富化:火災ARTデータセットとパノラマ画像に基づく3次元再構成
- Authors: Ya Wen, Yutong Qiao, Chi Chiu Lam, Ioannis Brilakis, Sanghoon Lee, Mun On Wong,
- Abstract要約: 本研究は、ファイア・ARTデータセットを導入し、ファイアファイアファイアウォール資産のセマンティックエンリッチメントのためのパノラマ画像に基づく再構築手法を開発する。
提案手法はF1スコアを73%,88%,ローカライゼーション誤差を0.620,0.428mとする。
- 参考スコア（独自算出の注目度）: 11.107638727212747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inventory management of firefighting assets is crucial for emergency preparedness, risk assessment, and on-site fire response. However, conventional methods are inefficient due to limited capabilities in automated asset recognition and reconstruction. To address the challenge, this research introduces the Fire-ART dataset and develops a panoramic image-based reconstruction approach for semantic enrichment of firefighting assets into BIM models. The Fire-ART dataset covers 15 fundamental assets, comprising 2,626 images and 6,627 instances, making it an extensive and publicly accessible dataset for asset recognition. In addition, the reconstruction approach integrates modified cube-map conversion and radius-based spherical camera projection to enhance recognition and localization accuracy. Through validations with two real-world case studies, the proposed approach achieves F1-scores of 73% and 88% and localization errors of 0.620 and 0.428 meters, respectively. The Fire-ART dataset and the reconstruction approach offer valuable resources and robust technical solutions to enhance the accurate digital management of fire safety equipment.
- Abstract（参考訳）: 消防資産の在庫管理は、緊急準備、リスク評価、現場火災対応に不可欠である。
しかし, 従来の手法は, 自動資産認識・再構築能力の限界により非効率である。
この課題に対処するため,本研究では,ファイアウォーキング資産のBIMモデルへのセマンティックエンリッチメントのためのパノラマ画像に基づく再構築手法を開発した。
Fire-ARTデータセットは,2,626イメージと6,627インスタンスで構成される15の基本資産をカバーしている。
さらに、修正立方体マップ変換と半径ベースの球面カメラ投影を統合して、認識とローカライゼーションの精度を高める。
2つの実世界のケーススタディによる検証により、提案手法はF1スコアの73%と88%、ローカライゼーション誤差の0.620と0.428mを達成した。
Fire-ARTデータセットと再構築アプローチは、消防安全装置の正確なデジタル管理を強化するために、貴重なリソースと堅牢な技術的ソリューションを提供する。
関連論文リスト
- Deep Learning-Based Burned Area Mapping Using Bi-Temporal Siamese Networks and AlphaEarth Foundation Datasets [0.6768558752130311]
そこで本研究では,AlphaEArthデータセットとSiamese U-Netディープラーニングアーキテクチャを組み合わせた,自動バーンエリアマッピング手法を提案する。
当社は,連続した米国におけるバーンSeverityデータセットのモニタリングトレンドを用いてモデルをトレーニングし,ヨーロッパを横断する17のリージョンで評価した。
実験結果から,提案手法は95%,IoU0.6,F1スコア74%の精度で優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2025-09-09T15:29:18Z) - Real-Time Blind Defocus Deblurring for Earth Observation: The IMAGIN-e Mission Approach [55.2480439325792]
この研究は、ISSのIMAGIN-eミッションの地球観測画像の機械的デフォーカスに対処する。
提案手法は,Sentinel-2データを用いてデフォーカスカーネルを推定し,GANフレームワーク内で復元モデルをトレーニングする。
このアプローチは現在、IMAGIN-eミッションで展開されており、運用宇宙環境における実用性を実証している。
論文 参考訳（メタデータ） (2025-05-28T08:52:38Z) - So-Fake: Benchmarking and Explaining Social Media Image Forgery Detection [75.79507634008631]
So-Fake-Setは、200万以上の高品質な画像、多様な生成源、35の最先端生成モデルを用いて合成された画像を備えたソーシャルメディア指向のデータセットである。
本稿では,高精度な偽造検出,高精度な位置推定,解釈可能な視覚論理による説明可能な推論に強化学習を利用する高度な視覚言語フレームワークであるSo-Fake-R1を提案する。
論文 参考訳（メタデータ） (2025-05-24T11:53:35Z) - 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) - Recognize Any Regions [55.76437190434433]
RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。
オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
論文 参考訳（メタデータ） (2023-11-02T16:31:49Z) - FireRisk: A Remote Sensing Dataset for Fire Risk Assessment with
Benchmarks Using Supervised and Self-supervised Learning [1.6596490382976503]
本研究では, 火災リスク評価のために, 91872 画像を含む7つの火災リスククラスからなる新しいリモートセンシングデータセット FireRisk を提案する。
FireRiskでは,Masked Autoencoders (MAE) がImageNet1k上で事前トレーニングされ,65.29%の分類精度が得られた。
論文 参考訳（メタデータ） (2023-03-13T11:54:16Z)
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。