論文の概要: SCU-CGAN: Enhancing Fire Detection through Synthetic Fire Image Generation and Dataset Augmentation

• arxiv url: http://arxiv.org/abs/2512.08362v1
• Date: Tue, 09 Dec 2025 08:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.881123
• Title: SCU-CGAN: Enhancing Fire Detection through Synthetic Fire Image Generation and Dataset Augmentation
• Title（参考訳）: SCU-CGAN: 合成火災画像生成とデータセット拡張による火災検出の強化
• Authors: Ju-Young Kim, Ji-Hong Park, Gun-Woo Kim,
• Abstract要約: 本稿では,U-NetとCBAMを統合したSCU-CGANモデルと,ノンファイア画像から現実的な火災画像を生成するための識別器を提案する。 SCU-CGANはCycleGANと比較して41.5%のKIDスコアを達成し、生成した火災画像の優れた品質を示した。 実験により、拡張データセットは、構造を変化させることなく、火災検出モデルの精度を大幅に向上することが示された。
• 参考スコア（独自算出の注目度）: 6.933111681872053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fire has long been linked to human life, causing severe disasters and losses. Early detection is crucial, and with the rise of home IoT technologies, household fire detection systems have emerged. However, the lack of sufficient fire datasets limits the performance of detection models. We propose the SCU-CGAN model, which integrates U-Net, CBAM, and an additional discriminator to generate realistic fire images from nonfire images. We evaluate the image quality and confirm that SCU-CGAN outperforms existing models. Specifically, SCU-CGAN achieved a 41.5% improvement in KID score compared to CycleGAN, demonstrating the superior quality of the generated fire images. Furthermore, experiments demonstrate that the augmented dataset significantly improves the accuracy of fire detection models without altering their structure. For the YOLOv5 nano model, the most notable improvement was observed in the mAP@0.5:0.95 metric, which increased by 56.5%, highlighting the effectiveness of the proposed approach.
• Abstract（参考訳）: 火災は長年、人命と結びつき、深刻な災害と損失を引き起こしてきた。 早期検知は重要であり、家庭用IoT技術の台頭に伴い、家庭内火災検知システムが出現した。 しかし、十分なファイアデータセットがないため、検出モデルのパフォーマンスが制限される。 本稿では,U-NetとCBAMを統合したSCU-CGANモデルと,ノンファイア画像から現実的な火災画像を生成するための識別器を提案する。 画像の品質を評価し,SCU-CGANが既存モデルより優れていることを確認した。 具体的には、SCU-CGANはCycleGANと比較して41.5%向上し、生成した火災画像の優れた品質を示した。 さらに, 拡張データセットは, 構造を変化させることなく, 火災検出モデルの精度を著しく向上することを示した。 YOLOv5ナノモデルでは、最も顕著な改善がmAP@0.5:0.95メートル法で観測され、56.5%増加し、提案手法の有効性を強調した。

関連論文リスト

• Real-Time Aerial Fire Detection on Resource-Constrained Devices Using Knowledge Distillation [29.875425833515973]
  森林火災の災害は、環境劣化、人的損失、財政的損害を著しく引き起こす。 現在のシステムは、主に視野の限られた固定CCTVカメラに依存しており、大規模な屋外環境での有効性を制限している。 より強力な教師モデルからの知識の蒸留を通じて圧縮されたMobileViT-Sに基づく軽量火災検知モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-28T11:49:58Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• CCi-YOLOv8n: Enhanced Fire Detection with CARAFE and Context-Guided Modules [0.3749861135832073]
  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)
• Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
  実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。 それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。 以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-11-12T01:17:27Z)
• DemosaicFormer: Coarse-to-Fine Demosaicing Network for HybridEVS Camera [70.28702677370879]
  Hybrid Event-Based Vision Sensor (HybridEVS)は、従来のフレームベースとイベントベースのセンサーを統合する新しいセンサーである。 その可能性にもかかわらず、ハイブリッドEVS用に特別に設計された画像信号処理(ISP)パイプラインの欠如は大きな課題である。 粗大な復調と画素補正を含む,粗大で微細なフレームワークであるDemosaicFormerを提案する。
  論文  参考訳（メタデータ） (2024-06-12T07:20:46Z)
• Fire Detection From Image and Video Using YOLOv5 [0.0]
  改良されたYOLOv5火災検出深層学習アルゴリズムを提案する。 Fire-YOLOv5は最先端のオブジェクト検出ネットワークと比較して優れた結果が得られる。 入力画像サイズが416×416のとき、平均検出時間は1フレームあたり0.12秒である。
  論文  参考訳（メタデータ） (2023-10-10T06:37:03Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• 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。

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。