論文の概要: AusSmoke meets MultiNatSmoke: a fully-labelled diverse smoke segmentation dataset

• arxiv url: http://arxiv.org/abs/2604.23542v1
• Date: Sun, 26 Apr 2026 05:39:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.420478
• Title: AusSmoke meets MultiNatSmoke: a fully-labelled diverse smoke segmentation dataset
• Title（参考訳）: AusSmokeがMultiNatSmokeと出会う: 多様なスモークセグメンテーションデータセット
• Authors: Weihao Li, Hongjin Zhao, Gao Zhu, Ge-Peng Ji, Nicholas Wilson, Marta Yebra, Nick Barnes,
• Abstract要約: 森林火災は、環境、経済、および人間の健康に対する破壊的な影響により、世界的な懸念がエスカレートしている。 AusSmokeは、オーストラリアから収集された新しい煙分断データセットで、この地域のデータ不足に対処する。 また、MultiNatSmokeと呼ばれる、地理的に多様で、実質的に大きな完全ラベル付きベンチマークを導入しました。
• 参考スコア（独自算出の注目度）: 19.112171025394872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wildfires are an escalating global concern due to the devastating impacts on the environment, economy, and human health, with notable incidents such as the 2019-2020 Australian bushfires and the 2025 California wildfires underscoring the severity of these events. AI-enabled camera-based smoke detection has emerged as a promising approach for the rapid detection of wildfires. However, existing wildfire smoke segmentation datasets that are used for training detection and segmentation models are limited in scale, geographically constrained, and often rely on synthetic imagery, which hinders effective training and generalization. To overcome these limitations, we present AusSmoke, a new smoke segmentation dataset collected from Australia to address the data scarcity in this region. Furthermore, we introduce a MultiNational geographically diverse and substantially larger fully-labelled benchmark, called MultiNatSmoke, that consolidates publicly available international datasets with the newly collected Australian imagery, expanding the scale by an order of magnitude over previous collections. Finally, we benchmark smoke segmentation models, demonstrating improved performance and enhanced generalization across diverse geographical contexts. The project is available at \href{https://github.com/henryzhao0615/MultiNatSmoke}{Github}.
• Abstract（参考訳）: 森林火災は環境、経済、人体健康に壊滅的な影響があるため、世界的な懸念が高まり、2019-2020年のオーストラリア森林火災や2025年のカリフォルニア森林火災はこれらの出来事の深刻さを裏付けている。 AI対応のカメラによる煙探知は、山火事を素早く検出するための有望なアプローチとして登場した。 しかし、既存の山火事煙のセグメンテーションデータセットは、検出とセグメンテーションモデルの訓練に使われ、規模や地理的制約が限られており、しばしば合成画像に依存しており、効果的なトレーニングや一般化を妨げている。 これらの制限を克服するため、オーストラリアから収集された新しい煙分断データセットであるAusSmokeを紹介した。 さらに,MultiNatSmokeと呼ばれる,地理的に多種多様で,より大規模な完全ラベル付きベンチマークを導入し,新たに収集したオーストラリア画像と公開可能な国際データセットを統合し,過去のコレクションよりも桁違いに規模を拡大する。 最後に,スモークセグメンテーションモデルのベンチマークを行い,様々な地理的文脈における性能向上と一般化の強化を示す。 このプロジェクトは \href{https://github.com/henryzhao0615/MultiNatSmoke}{Github} で公開されている。

関連論文リスト

• Advanced Global Wildfire Activity Modeling with Hierarchical Graph ODE [44.719168733348454]
  我々は,山火事の連続的時間的ダイナミクスを学習するための新しいフレームワークである階層ODE(HiGO)を紹介した。 我々は、HiGOが長距離の山火事予測において最先端のベースラインを著しく上回っていることを実証した。
  論文  参考訳（メタデータ） (2026-01-04T12:05:45Z)
• FireScope: Wildfire Risk Prediction with a Chain-of-Thought Oracle [69.84129020970477]
  既存の方法には、信頼性の高い一般化に必要な因果推論と理解が欠如している。 Sentinel-2イメージと気候データと専門家が定義したリスクを結合したデータセットとベンチマークであるtextbfFireScope-Benchを紹介します。 米国でトレーニングし、ヨーロッパでテストすると、$textbfFireScope$は大幅なパフォーマンス向上を達成する。 本研究は,推論が一般化と解釈可能性の両方を改善することによって,予測モデルの基礎となることを示す。
  論文  参考訳（メタデータ） (2025-11-21T11:45:22Z)
• CanadaFireSat: Toward high-resolution wildfire forecasting with multiple modalities [13.151866497852211]
  カナダは2023年に最も深刻な山火事の季節を経験している。 この極端な山火事の季節は、気候変化によって引き起こされる火災の季節の長さと深刻度の増加が、ボレアル生態系に影響を与えることの象徴である。 より優れた緩和ソリューションで、ボリアルなコミュニティにおける山火事管理を強化することが重要である。
  論文  参考訳（メタデータ） (2025-06-10T10:58:43Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Deep Learning for Global Wildfire Forecasting [1.6929753878977016]
  我々は,世界規模の火災データセットを作成し,世界規模の火災発生地域をサブシーズン規模で予測するプロトタイプを実証する。 本稿では,季節・季節の消防車に関連する様々な変数を含む,オープンアクセスのグローバル分析対応データキューブを提案する。 我々は,地球規模の山火事予測をイメージセグメンテーションタスクとして扱う深層学習モデルを訓練し,その前に焼かれた8,16,32,64日間の存在を巧みに予測する。
  論文  参考訳（メタデータ） (2022-11-01T15:39:01Z)
• 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)
• From Static to Dynamic Prediction: Wildfire Risk Assessment Based on Multiple Environmental Factors [69.9674326582747]
  ワイルドファイアはアメリカ合衆国西海岸で頻繁に起こる最大の災害の1つである。 カリフォルニアの山火事リスクが高い地域を解析・評価するための静的・動的予測モデルを提案します。
  論文  参考訳（メタデータ） (2021-03-14T17:56:17Z)
• STCNet: Spatio-Temporal Cross Network for Industrial Smoke Detection [52.648906951532155]
  本稿では,産業用煙排出ガスを識別する新しい時空間クロスネットワーク(STCNet)を提案する。 提案するSTCNetは, テクスチャの特徴を抽出する空間的特徴と, 煙の動き情報を捕捉する時間的経路を含む。 STCNetは、RISE産業煙検知データセットにおいて、最も優れた競合相手に対して6.2%の精度で明確な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2020-11-10T02:28:47Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。