論文の概要: Real-Time Wildfire Localization on the NASA Autonomous Modular Sensor using Deep Learning

• arxiv url: http://arxiv.org/abs/2601.14475v1
• Date: Tue, 20 Jan 2026 20:56:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.149938
• Title: Real-Time Wildfire Localization on the NASA Autonomous Modular Sensor using Deep Learning
• Title（参考訳）: ディープラーニングを用いたNASA自律型モジュラーセンサにおける実時間ワイルドファイア位置推定
• Authors: Yajvan Ravan, Aref Malek, Chester Dolph, Nikhil Behari,
• Abstract要約: 我々は、NASAautonomous Modular Sensor (AMS) から人間による注釈付きデータセットを導入する。 我々のデータセットは、赤外(IR)、短波赤外(SWIR)、熱を含む12の異なるチャンネルのスペクトルデータを合成する。 本研究では, 深層学習モデルを用いて, 火災周囲決定の人為的集中プロセスを自動化する実験を行った。
• 参考スコア（独自算出の注目度）: 4.4145031895964415
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: High-altitude, multi-spectral, aerial imagery is scarce and expensive to acquire, yet it is necessary for algorithmic advances and application of machine learning models to high-impact problems such as wildfire detection. We introduce a human-annotated dataset from the NASA Autonomous Modular Sensor (AMS) using 12-channel, medium to high altitude (3 - 50 km) aerial wildfire images similar to those used in current US wildfire missions. Our dataset combines spectral data from 12 different channels, including infrared (IR), short-wave IR (SWIR), and thermal. We take imagery from 20 wildfire missions and randomly sample small patches to generate over 4000 images with high variability, including occlusions by smoke/clouds, easily-confused false positives, and nighttime imagery. We demonstrate results from a deep-learning model to automate the human-intensive process of fire perimeter determination. We train two deep neural networks, one for image classification and the other for pixel-level segmentation. The networks are combined into a unique real-time segmentation model to efficiently localize active wildfire on an incoming image feed. Our model achieves 96% classification accuracy, 74% Intersection-over-Union(IoU), and 84% recall surpassing past methods, including models trained on satellite data and classical color-rule algorithms. By leveraging a multi-spectral dataset, our model is able to detect active wildfire at nighttime and behind clouds, while distinguishing between false positives. We find that data from the SWIR, IR, and thermal bands is the most important to distinguish fire perimeters. Our code and dataset can be found here: https://github.com/nasa/Autonomous-Modular-Sensor-Wildfire-Segmentation/tree/main and https://drive.google.com/drive/folders/1-u4vs9rqwkwgdeeeoUhftCxrfe_4QPTn?=usp=drive_link
• Abstract（参考訳）: 高高度・多スペクトル・空中画像の取得は困難で費用がかかるが、アルゴリズムの進歩と、山火事検出などの高影響問題への機械学習モデルの応用には必要である。 我々は,NASAの自律型モジュールセンサー(AMS)から12チャンネル,中から高高度(3～50km)の山火事画像を用いた人手による注釈付きデータセットを紹介した。 我々のデータセットは、赤外(IR)、短波赤外(SWIR)、熱を含む12の異なるチャンネルのスペクトルデータを合成する。 20回の山火事のミッションの画像をランダムにサンプルし、4000以上の画像を生成し、煙や雲による隠蔽、容易に強調された偽陽性、夜間のイメージを生成します。 本研究では, 深層学習モデルを用いて, 火災周囲決定の人為的集中プロセスを自動化する実験を行った。 我々は2つのディープニューラルネットワークを訓練し、1つは画像分類用、もう1つはピクセルレベルのセグメンテーション用である。 ネットワークは独自のリアルタイムセグメンテーションモデルに結合され、入ってくる画像フィード上でアクティブな山火事を効率的にローカライズする。 分類精度は96%であり、74%のインターセクション・オーバー・ユニオン(IoU)、84%のリコールが過去の手法を超越している。 マルチスペクトルデータセットを利用することで、我々のモデルは夜間および雲の裏で活動的な山火事を検知し、偽陽性を区別することができる。 SWIR、IR、サーマルバンドのデータは、火災周辺を識別する上で最も重要なものである。 https://github.com/nasa/Autonomous-Modular-Sensor-Wildfire-Segmentation/tree/main and https://drive.google.com/drive/folders/1-u4vs9rqwwgdeeeoUhftCxrfe_4QPTn? =usp=drive_link

関連論文リスト

• PyroFocus: A Deep Learning Approach to Real-Time Wildfire Detection in Multispectral Remote Sensing Imagery [0.0]
  迅速かつ正確な山火事検出は、緊急対応と環境管理に不可欠である。 空中飛行と宇宙飛行のミッションでは、リアルタイムアルゴリズムは火災、活動的な火災、および発射後の条件を区別しなければならない。 火の分類を行い,火の放射力(FRP)レグレッションやセグメンテーションを施した2段パイプラインであるPyroFocusを導入する。
  論文  参考訳（メタデータ） (2025-12-02T21:59:45Z)
• Adapting Vehicle Detectors for Aerial Imagery to Unseen Domains with Weak Supervision [46.87579355047397]
  本稿では,高品質な空中画像とそのラベルを生成AIで合成する手法を提案する。 私たちの重要な貢献は、多段階のマルチモーダルな知識伝達フレームワークの開発です。
  論文  参考訳（メタデータ） (2025-07-28T16:38:06Z)
• Obscured Wildfire Flame Detection By Temporal Analysis of Smoke Patterns Captured by Unmanned Aerial Systems [0.799536002595393]
  本研究は,RGBカメラのみを搭載したドローンを用いて,隠された山火事をリアルタイムに検出する課題について論じる。 本稿では,ビデオシーケンス中の煙のパターンの時間的解析に基づくセマンティックセグメンテーションを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-30T19:45:43Z)
• Wildfire Detection Via Transfer Learning: A Survey [2.766371147936368]
  本稿では,山頂や森林見張り塔に設置した通常の視界カメラを用いて,山火事の検知に使用されるさまざまなニューラルネットワークモデルについて検討する。 ニューラルネットワークモデルはImageNet-1Kで事前トレーニングされ、カスタムの山火事データセットで微調整される。
  論文  参考訳（メタデータ） (2023-06-21T13:57:04Z)
• Analyzing Multispectral Satellite Imagery of South American Wildfires Using CNNs and Unsupervised Learning [0.0]
  本研究では,エクアドルとガラパゴスのランドサット8号の画像をスキップして完全な畳み込みニューラルネットワークを訓練する。 画像セグメンテーションは、K-Means Clusteringを用いてCirrus Cloudバンド上で行われ、連続したピクセル値を3つの離散クラスに単純化する。 さらに2つの畳み込みニューラルネットワークが訓練され、陸地における山火事の存在を分類する。
  論文  参考訳（メタデータ） (2022-01-19T02:45:01Z)
• Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
  変換器を用いた赤外線小径目標検出手法を提案する。 画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。 最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
  論文  参考訳（メタデータ） (2021-09-29T12:23:41Z)
• SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
  我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。 多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。 我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
  論文  参考訳（メタデータ） (2021-06-21T13:55:57Z)
• Active Fire Detection in Landsat-8 Imagery: a Large-Scale Dataset and a Deep-Learning Study [1.3764085113103217]
  本稿では,深層学習技術を用いた火災検知のための大規模データセットについて紹介する。 本稿では,様々な畳み込みニューラルネットワークアーキテクチャを用いて手作りアルゴリズムを近似する方法について検討する。 提案されたデータセット、ソースコード、トレーニングされたモデルはGithubで入手できる。
  論文  参考訳（メタデータ） (2021-01-09T19:05:03Z)
• DR-SPAAM: A Spatial-Attention and Auto-regressive Model for Person Detection in 2D Range Data [81.06749792332641]
  本研究では,異なるタイミングで得られたスキャンを組み合わせ,代替戦略を用いた人物検出ネットワークを提案する。 DR-SPAAMは、バックボーンネットワークから中間機能をテンプレートとして保持し、新しいスキャンが利用可能になったときにテンプレートをリカレントに更新する。 DROWデータセットでは,提案手法は既存の最先端技術よりも約4倍高速である。
  論文  参考訳（メタデータ） (2020-04-29T11:01:44Z)
• Radioactive data: tracing through training [130.2266320167683]
  本稿では,このデータセットに認識不能な変化を生じさせる新しい手法であるEmphradioactive dataを提案する。 訓練されたモデルにより, 放射能データの利用を検知し, 信頼度(p-値)のレベルを提供する。 提案手法はディープネットワーク最適化におけるデータ拡張とバックドア性に対して堅牢である。
  論文  参考訳（メタデータ） (2020-02-03T18:41:08Z)

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。