論文の概要: FireSenseNet: A Dual-Branch CNN with Cross-Attentive Feature Interaction for Next-Day Wildfire Spread Prediction

• arxiv url: http://arxiv.org/abs/2604.07675v1
• Date: Thu, 09 Apr 2026 00:39:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.616131
• Title: FireSenseNet: A Dual-Branch CNN with Cross-Attentive Feature Interaction for Next-Day Wildfire Spread Prediction
• Title（参考訳）: FireSenseNet: 次世代の山火事予測のためのクロスアテテーティブな特徴インタラクションを備えたデュアルブランチCNN
• Authors: Jinzhen Han, JinByeong Lee, Hak Han, YeonJu Na, Jae-Joon Lee,
• Abstract要約: 次回の山火事拡大の正確な予測は、災害対応と資源配分に不可欠である。 本稿では,新しい相互干渉モジュールを備えた二分岐畳み込みニューラルネットワークFireSenseNetを提案する。 我々は、FireSenseNetがF1の0.4176とAUC-PRの0.3435を達成し、すべての代替品を上回っていることを示した。
• 参考スコア（独自算出の注目度）: 1.1417805445492082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of next-day wildfire spread is critical for disaster response and resource allocation. Existing deep learning approaches typically concatenate heterogeneous geospatial inputs into a single tensor, ignoring the fundamental physical distinction between static fuel/terrain properties and dynamic meteorological conditions. We propose FireSenseNet, a dual-branch convolutional neural network equipped with a novel Cross-Attentive Feature Interaction Module (CAFIM) that explicitly models the spatially varying interaction between fuel and weather modalities through learnable attention gates at multiple encoder scales. Through a systematic comparison of seven architectures -- spanning pure CNNs, Vision Transformers, and hybrid designs -- on the Google Next-Day Wildfire Spread benchmark, we demonstrate that FireSenseNet achieves an F1 of 0.4176 and AUC-PR of 0.3435, outperforming all alternatives including a SegFormer with 3.8* more parameters (F1 = 0.3502). Ablation studies confirm that CAFIM provides a 7.1% relative F1 gain over naive concatenation, and channel-wise feature importance analysis reveals that the previous-day fire mask dominates prediction while wind speed acts as noise at the dataset's coarse temporal resolution. We further incorporate Monte Carlo Dropout for pixel-level uncertainty quantification and present a critical analysis showing that common evaluation shortcuts inflate reported F1 scores by over 44%.
• Abstract（参考訳）: 次回の山火事拡大の正確な予測は、災害対応と資源配分に不可欠である。 既存のディープラーニングアプローチは、通常、異質な地理空間入力を単一のテンソルに結合し、静的燃料/テランの物性と動的気象条件の基本的な物理的区別を無視している。 本稿では,複数のエンコーダスケールで学習可能なアテンションゲートを通して,燃料と気象の空間的変化をモデル化する新しいクロス・アクテタティブ・フィーチャー・インタラクション・モジュール (CAFIM) を備えた2分岐畳み込みニューラルネットワークFireSenseNetを提案する。 Google Next-Day Wildfire Spreadベンチマークで、純粋なCNN、ビジョントランスフォーマー、ハイブリッドデザインにまたがる7つのアーキテクチャの体系的な比較を通じて、FireSenseNetがF1の0.4176とAUC-PRの0.3435を達成し、3.8*以上のパラメータ(F1 = 0.3502)を持つSegFormerを含むすべての代替品よりも優れた性能を発揮することを示した。 アブレーション研究により、CAFIMはナイーブ結合よりも7.1%の相対的なF1ゲインを示しており、チャネルワイドの特徴重要度分析により、前日のファイアマスクが予測を上回り、風速はデータセットの粗い時間分解においてノイズとして働くことが明らかになった。 さらに, 画素レベルの不確実性定量化のためにモンテカルロ・ドロップアウトを取り入れ, 共通評価ショートカットがF1のスコアを44%以上増加させることを示す批判的分析を行った。

関連論文リスト

• Probabilistic Forecasting of Localized Wildfire Spread Based on Conditional Flow Matching [0.0]
  本研究では, 条件付き流れマッチングアルゴリズムに基づく局所的な山火事拡散の確率的サロゲートモデルを提案する。 この手法は、着火時刻の条件分布を学習することにより、火災進行をプロセスとしてモデル化する。 以上の結果から, 火災発生の多様性を把握し, 正確なアンサンブル予測を行うことができた。
  論文  参考訳（メタデータ） (2026-03-27T20:39:02Z)
• Pedestrian Crossing Intent Prediction via Psychological Features and Transformer Fusion [6.689013818004752]
  歩行者意図予測のための軽量・社会的情報アーキテクチャを提案する。 ハイウェイエンコーダ、コンパクト 4-token Transformer、グローバル セルフアテンション プーリングを使って、4つの行動ストリーム(アテンション、位置、状況、相互作用)を融合する。 提案手法は、モダリティに依存しない、ビジョン言語パイプラインとの統合が容易で、リソース制約のあるプラットフォーム上でのリスク認識の意図予測に適している。
  論文  参考訳（メタデータ） (2026-03-20T00:19:34Z)
• FireSentry: A Multi-Modal Spatio-temporal Benchmark Dataset for Fine-Grained Wildfire Spread Forecasting [41.82363110982653]
  本稿では,サブメーター空間とサブ秒時間分解能を特徴とする地域規模のマルチモーダル山火事データセットFireSentryを提案する。 FireSentryは、可視および赤外線のビデオストリーム、その場での環境測定、手動で検証されたファイアマスクを提供する。 FireSentry上に構築され、物理に基づく、データ駆動、生成モデルを含む包括的なベンチマークを構築します。
  論文  参考訳（メタデータ） (2025-12-03T02:02:47Z)
• Learning-based Radio Link Failure Prediction Based on Measurement Dataset in Railway Environments [46.243901410461596]
  CNN、LSTM、XGBoost、Anomaly Transformer、PatchTST、TimesNetの6つのモデルをベンチマークする。 その結果,商用デバイスで利用可能な軽量機能を用いて,信頼性の低下を事前に予測できることが示唆された。
  論文  参考訳（メタデータ） (2025-11-12T00:13:37Z)
• MFiSP: A Multimodal Fire Spread Prediction Framework [6.083458052048495]
  オーストラリアのブラック・サマー・ブッシュファイアでは、19万ヘクタールが破壊され、3,000軒の家屋が破壊され、7ヶ月続いた。 ファイア・モデリングは、ファイア・ビヘイビア・アナリティクス(FBA)と静的環境データによる手動の解釈に依存している。 本研究では,ソーシャルメディアデータとリモートセンシング観測を統合したMFISP(Multimodal Fire Spread Prediction Framework)を提案する。
  論文  参考訳（メタデータ） (2025-10-27T23:36:21Z)
• Leveraging Cellular Automata for Real-Time Wildfire Spread Modeling in California [0.0]
  本研究では,重要な環境変数を組み込んだ細胞性オートマトン(CA)に基づく予測モデルを開発した。 2025年太平洋パラセード火災の火傷跡に対する混乱行列を用いたモデルの評価では, 0.860, 精度0.605, 総合F1スコア0.711を得た。
  論文  参考訳（メタデータ） (2025-10-10T02:31:57Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• Neural Network Virtual Sensors for Fuel Injection Quantities with Provable Performance Specifications [71.1911136637719]
  証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。 本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
  論文  参考訳（メタデータ） (2020-06-30T23:33:17Z)

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。