Fugu-MT 論文翻訳(概要): Deep Learning Based Wildfire Detection for Peatland Fires Using Transfer Learning

論文の概要: Deep Learning Based Wildfire Detection for Peatland Fires Using Transfer Learning

arxiv url: http://arxiv.org/abs/2603.02465v1
Date: Mon, 02 Mar 2026 23:14:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-04 21:38:10.574456
Title: Deep Learning Based Wildfire Detection for Peatland Fires Using Transfer Learning
Title（参考訳）: 伝達学習を用いた深層学習による泥炭火災の山火事検出
Authors: Emadeldeen Hamdan, Ahmad Faiz Tharima, Mohd Zahirasri Mohd Tohir, Dayang Nur Sakinah Musa, Erdem Koyuncu, Adam J. Watts, Ahmet Enis Cetin,
Abstract要約: 我々は、泥炭火災検知のための移動学習に基づくアプローチを提案する。我々は,従来の山火事検出モデルから事前訓練した重量を用いたDLベースの泥炭火災検知器を初期化する。転送学習は,スクラッチからのトレーニングに比べて検出精度とロバスト性を大幅に向上することを示す。
参考スコア（独自算出の注目度）: 9.64327338554444
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning (ML)-based wildfire detection methods have been developed in recent years, primarily using deep learning (DL) models trained on large collections of wildfire images and videos. However, peatland fires exhibit distinct visual and physical characteristics -- such as smoldering combustion, low flame intensity, persistent smoke, and subsurface burning -- that limit the effectiveness of conventional wildfire detectors trained on open-flame forest fires. In this work, we present a transfer learning-based approach for peatland fire detection that leverages knowledge learned from general wildfire imagery and adapts it to the peatland fire domain. We initialize a DL-based peatland fire detector using pretrained weights from a conventional wildfire detection model and subsequently fine-tune the network using a dataset composed of Malaysian peatland images and videos. This strategy enables effective learning despite the limited availability of labeled peatland fire data. Experimental results demonstrate that transfer learning significantly improves detection accuracy and robustness compared to training from scratch, particularly under challenging conditions such as low-contrast smoke, partial occlusions, and variable illumination. The proposed approach provides a practical and scalable solution for early peatland fire detection and has the potential to support real-time monitoring systems for fire prevention and environmental protection.
Abstract（参考訳）: 近年、機械学習(ML)に基づく山火事検出手法が開発され、主に山火事の画像やビデオの大規模なコレクションに基づいて訓練されたディープラーニング(DL)モデルが使用されている。しかし、泥炭火災は、スモルダリング燃焼、低火力、持続煙、地下燃焼など、視覚的および物理的に異なる特徴を示しており、これは、森林火災で訓練された従来の山火事検知器の有効性を制限している。本研究では,一般的な山火事画像から学んだ知識を活用して,泥炭火災領域に適応する,泥炭火災検出のための移動学習に基づくアプローチを提案する。我々は,従来の山火事検出モデルから事前訓練した重量を用いたDLベースの泥炭火災検知器を初期化し,マレーシアの泥炭画像とビデオからなるデータセットを用いてネットワークを微調整した。この戦略は、ラベル付き泥炭火災データしか利用できないにもかかわらず、効果的な学習を可能にする。実験結果から,低コントラスト煙,部分閉塞,可変照明などの困難条件下では,移動学習はスクラッチからのトレーニングに比べて検出精度と堅牢性を大幅に向上することが示された。提案手法は,早期の泥炭火災検知のための実用的でスケーラブルなソリューションを提供し,防火・環境保護のためのリアルタイム監視システムを支援する可能性を持っている。

関連論文リスト

Mirror Target YOLO: An Improved YOLOv8 Method with Indirect Vision for Heritage Buildings Fire Detection [39.77603385164533]
ミラーターゲットヨロ(mita-YOLO)と呼ばれる間接視覚に基づく火災検知手法を提案する。 MITA-YOLOは間接視覚展開と拡張検出モジュールを統合している。鏡角を用いて間接的なビューを達成し、不規則空間における可視性に制限のある問題を解決する。
論文参考訳（メタデータ） (2024-11-21T10:23:00Z)
Deep Autoencoders for Unsupervised Anomaly Detection in Wildfire Prediction [42.447827727628734]
森林火災は気候危機により地球生態系に深刻な危険をもたらす。複雑な性質のため、機械学習のような野火の予測に対する革新的なアプローチが緊急に必要である。この研究は、古典的な教師あり学習とは異なるユニークなアプローチを採り、教師なしの山火事予測のギャップに対処した。
論文参考訳（メタデータ） (2024-11-14T23:19:55Z)
Utilizing Transfer Learning and pre-trained Models for Effective Forest Fire Detection: A Case Study of Uttarakhand [17.487540572548337]
森林火災は環境、人命、財産に重大な脅威をもたらす。従来の森林火災検出手法は、手動観測や衛星画像の信頼性に障害となることが多い。本稿では、インドにおける森林火災検知の強化におけるトランスファーラーニングの役割を強調した。
論文参考訳（メタデータ） (2024-10-09T10:21:45Z)
A Synergistic Approach to Wildfire Prevention and Management Using AI, ML, and 5G Technology in the United States [44.99833362998488]
本研究は、アメリカ合衆国における山火事の検出および対処のための積極的な方法を検討する。本研究の目的は,高度技術を用いた山火事の予防的検出と防止である。 AI対応のリモートセンシングや5Gベースのアクティブモニタリングなど、さまざまな方法により、アクティブな山火事の検出と管理が強化される。
論文参考訳（メタデータ） (2024-02-27T04:09:30Z)
Reinforcement Learning for Wildfire Mitigation in Simulated Disaster Environments [39.014859667729375]
森林火災は生命、財産、生態学、文化遺産、重要なインフラに脅威をもたらす。 SimFireは、現実的な山火事シナリオを生成するために設計された、多用途の野火投射シミュレータである。 SimHarnessはモジュール型のエージェントベースの機械学習ラッパーで、自動的に土地管理戦略を生成することができる。
論文参考訳（メタデータ） (2023-11-27T15:37:05Z)
FLOGA: A machine learning ready dataset, a benchmark and a novel deep learning model for burnt area mapping with Sentinel-2 [41.28284355136163]
森林火災は人間や動物の生活、生態系、社会経済の安定に重大な脅威をもたらす。本研究では、FLOGA(Forest wiLdfire Observations for the Greek Area)と名付けた機械学習可能なデータセットを作成し、導入する。このデータセットは、山火事の前後に取得された衛星画像からなるため、ユニークなものである。我々はFLOGAを用いて、複数の機械学習アルゴリズムとディープラーニングアルゴリズムの徹底的な比較を行い、バーント領域の自動抽出を行う。
論文参考訳（メタデータ） (2023-11-06T18:42:05Z)
Multimodal Wildland Fire Smoke Detection [5.15911752972989]
研究によると、気候変動によって温暖な温度と乾燥状態が生まれ、長い山火事の季節と米国の山火事のリスクが増大する。スモーキーネット(SmokeyNet)は,森林火災の煙を検出するための時間的情報を用いた深層学習モデルである。 SmokeyNetは、ほんの数分の時間で自動早期通知システムとして機能し、破壊的な山火事との戦いに有用なツールを提供する。
論文参考訳（メタデータ） (2022-12-29T01:16:06Z)
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)
Unsupervised Wildfire Change Detection based on Contrastive Learning [1.53934570513443]
山火事の深刻度を正確に評価することは, 火災発生地域における燃料条件のキャラクタリゼーションに寄与する。本研究の目的は、高解像度マルチスペクトル衛星画像上に構築された自律システムを開発することである。
論文参考訳（メタデータ） (2022-11-26T20:13:14Z)
FIgLib & SmokeyNet: Dataset and Deep Learning Model for Real-Time Wildland Fire Smoke Detection [0.0]
Fire Ignition Library (FIgLib) は、25,000点近い山火事の煙画像のデータセットである。 SmokeyNetは、リアルタイムの山火事煙検知にカメラ画像からの時間情報を利用する、新しいディープラーニングアーキテクチャである。 FIgLibデータセットでトレーニングすると、SmokeyNetは同等のベースラインを上回り、人間のパフォーマンスに匹敵する。
論文参考訳（メタデータ） (2021-12-16T03:49:58Z)
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)
Aerial Imagery Pile burn detection using Deep Learning: the FLAME dataset [9.619617596045911]
FLAME(Fire Luminosity Airborne-based Machine Learning Evaluation)は、火災の空中画像のデータセットを提供する。本論文は,アリゾナ松林において,所定の燃えるデトリタスの間,ドローンが収集した火災画像データセットを提供する。また、この論文は2つの機械学習問題の解決策を強調している: 火炎の存在と不在に基づくビデオフレームのバイナリ分類。
論文参考訳（メタデータ） (2020-12-28T00:00:41Z)
Exploring Thermal Images for Object Detection in Underexposure Regions for Autonomous Driving [67.69430435482127]
アンダーエクスポージャー地域は、安全な自動運転のための周囲の完全な認識を構築するのに不可欠である。サーマルカメラが利用可能になったことで、他の光学センサーが解釈可能な信号を捉えていない地域を探索するための重要な代替手段となった。本研究は,可視光画像から熱画像へ学習を伝達するためのスタイル伝達手法を用いたドメイン適応フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-01T09:59:09Z)

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。