論文の概要: Generative AI for Enhanced Wildfire Detection: Bridging the Synthetic-Real Domain Gap

• arxiv url: http://arxiv.org/abs/2511.16617v1
• Date: Tue, 02 Sep 2025 00:40:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.206693
• Title: Generative AI for Enhanced Wildfire Detection: Bridging the Synthetic-Real Domain Gap
• Title（参考訳）: 強化された山火事検出のためのジェネレーティブAI - 合成リアルドメインギャップをブリッジする
• Authors: Satyam Gaba,
• Abstract要約: 森林火災の早期発見は、大規模な被害を緩和する鍵となる煙柱のタイムリーな識別という、環境上の重要な課題である。 我々は、包括的な注釈付き煙のデータセットを合成することで、このデータ制限に対処するために、生成AI技術を活用します。 次に,煙管セグメンテーションのための教師なし領域適応手法を探索し,合成データと実世界のデータとのギャップを埋める効果を解析した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The early detection of wildfires is a critical environmental challenge, with timely identification of smoke plumes being key to mitigating large-scale damage. While deep neural networks have proven highly effective for localization tasks, the scarcity of large, annotated datasets for smoke detection limits their potential. In response, we leverage generative AI techniques to address this data limitation by synthesizing a comprehensive, annotated smoke dataset. We then explore unsupervised domain adaptation methods for smoke plume segmentation, analyzing their effectiveness in closing the gap between synthetic and real-world data. To further refine performance, we integrate advanced generative approaches such as style transfer, Generative Adversarial Networks (GANs), and image matting. These methods aim to enhance the realism of synthetic data and bridge the domain disparity, paving the way for more accurate and scalable wildfire detection models.
• Abstract（参考訳）: 森林火災の早期発見は、大規模な被害を緩和する鍵となる煙柱のタイムリーな識別という、重要な環境課題である。 ディープニューラルネットワークは、ローカライゼーションタスクに非常に有効であることが証明されているが、煙の検出のための大きな注釈付きデータセットの不足は、その可能性を制限する。 これに対して、私たちは生成AI技術を活用して、包括的な注釈付き煙のデータセットを合成することで、このデータ制限に対処します。 次に,煙管セグメンテーションのための教師なし領域適応手法を探索し,合成データと実世界のデータとのギャップを埋める効果を解析した。 さらなる性能向上のために,我々は,スタイル転送,GAN(Generative Adversarial Networks),画像マッチングといった高度な生成アプローチを統合した。 これらの手法は、合成データの現実性を高め、領域の格差を埋めることを目的としており、より正確でスケーラブルな山火事検出モデルの構築を目指している。

関連論文リスト

• Bounding Box-Guided Diffusion for Synthesizing Industrial Images and Segmentation Map [50.21082069320818]
  最小限の監督で高忠実度産業データセットを生成するための拡散型パイプラインを提案する。 提案手法では, 拡張有界箱表現の拡散モデルを用いて, 正確なセグメンテーションマスクを生成する。 その結果、拡散に基づく合成は、人工的な産業データと実世界の産業データとのギャップを埋めることを示した。
  論文  参考訳（メタデータ） (2025-05-06T15:21:36Z)
• Adversarial Robustness for Deep Learning-based Wildfire Prediction Models [3.4528046839403905]
  本稿では,山火事検出モデルのロバスト性を評価するための最初のモデル非依存フレームワークであるWARP(Wildfire Adversarial Robustness procedure)を紹介する。 WARPは、画像グロバルと局所摂動を通じて敵対的な例を生成することによって、データ多様性の固有の制限に対処する。 WARPを使用して、リアルタイムCNNとTransformerを評価し、主要な脆弱性を明らかにしました。
  論文  参考訳（メタデータ） (2024-12-28T04:06:29Z)
• Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Sensor Fusion [6.963971634605796]
  環境およびバイオメディカル領域における低コストで分散センサーネットワークは、継続的な大規模健康モニタリングを可能にしている。 これらのシステムは、センサーのドリフト、ノイズ、キャリブレーションの不十分に起因する劣化したデータ品質に関する課題に直面していることが多い。 センサフュージョンとキャリブレーションの伝統的な機械学習手法は、広範な機能工学に依存している。 回帰タスクに適した新しいunsupervised domain adapt(UDA)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T12:20:57Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Forward-Forward Learning achieves Highly Selective Latent Representations for Out-of-Distribution Detection in Fully Spiking Neural Networks [6.7236795813629]
  生物学的システムにインスパイアされたスパイキングニューラルネットワーク(SNN)は、限界を克服するための有望な道を提供する。 本研究では,これらの課題に対処するために,スパイクフォワードフォワードアルゴリズム(FFA)の可能性を検討する。 本稿では,クラス分布からサンプルを遠ざける特徴を検出するための,新しい非勾配属性法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T08:08:17Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• 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)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)

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。