論文の概要: Uncertainty-Aware Wildfire Smoke Density Classification from Satellite Imagery via CBAM-Augmented EfficientNet with Evidential Deep Learning

• arxiv url: http://arxiv.org/abs/2605.15894v1
• Date: Fri, 15 May 2026 12:22:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.278778
• Title: Uncertainty-Aware Wildfire Smoke Density Classification from Satellite Imagery via CBAM-Augmented EfficientNet with Evidential Deep Learning
• Title（参考訳）: CBAM強化深層学習による衛星画像からの不確実性を考慮した山火事煙密度分類
• Authors: Ranjith Chodavarapu,
• Abstract要約: 本稿では,衛星パッチを軽度,中等度,重度に分類する確率的枠組みを提案する。 明らかな深層学習ヘッドを持つCBAMモジュールはディリクレ濃度パラメータを予測し、モンテカルロサンプリングなしで空き度と不協和度を直接推定する。 我々のアーキテクチャは,ディリクレ濃度パラメータを推定する明らかな深層学習ヘッドを備えた,訓練済みのEfficientNet-B3モジュールとCBAMモジュールのバックボーンを使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid and accurate wildfire smoke severity assessment from satellite images is essential for emergency response, air quality modeling, and human health risk management. Existing deep learning approaches treat smoke detection as a binary task, producing point estimates without any measure of prediction confidence. We propose a probabilistic framework to categorize a satellite patch into Light, Moderate, and Heavy severity classes and to provide decomposed epistemic and aleatoric uncertainty in a single forward pass. Our architecture uses the backbone of a pre-trained EfficientNet-B3 and a CBAM module with an evidential deep learning head that predicts Dirichlet concentration parameters, directly estimating vacuity (epistemic) and dissonance (aleatoric) without Monte Carlo sampling. Evaluated on 16,298 real satellite patches derived from the Wildfire Detection dataset, our model achieves 93.8% weighted test accuracy (91.1% unweighted) with ECE=0.0274. Selective prediction retaining the most certain 50% of patches achieves 96.7% accuracy. As image quality degrades, uncertainty increases monotonically, and vacuity is a practical scan quality measure. The Moderate class represents transitional smoke conditions that exhibit the highest epistemic uncertainty (mean vacuity = 0.187), confirming the model correctly identifies ambiguous smoke boundary regions. CBAM spatial attention maps localize to structurally distinctive scene regions, and t-SNE demonstrates the clear cluster separation of Light and Heavy smoke.
• Abstract（参考訳）: 衛星画像からの迅速かつ正確な山火事煙重症度評価は、緊急対応、空気質のモデリング、健康管理に不可欠である。 既存のディープラーニングアプローチでは、煙の検出をバイナリタスクとして扱い、予測信頼性の尺度を使わずに点推定を生成する。 本稿では,衛星パッチを軽度,中等度,重度に分類する確率的枠組みを提案する。 本アーキテクチャでは, ディリクレ濃度パラメータを推定し, モンテカルロサンプリングを使わずに, 空き度と不協和度を直接推定する, 明らかな深層学習ヘッドを備えたCBAMモジュールと, 事前学習した高効率Net-B3のバックボーンを用いる。 ワイルドファイア検出データセットから得られた16,298個の実際の衛星パッチに基づいて評価し、ECE=0.0274で93.8%の重み付きテスト精度(91.1%の未重み付き)を達成した。 パッチの50%を確実に保持する選択予測は96.7%の精度を達成する。 画質が劣化するにつれて、不確実性は単調に増加し、空虚性は事実上のスキャン品質の尺度である。 モデレートクラスは、最も高いてんかん不確実性を示す遷移喫煙状態(平均空洞 =0.187)を表し、このモデルが曖昧な煙境界領域を正しく同定していることを確認している。 CBAM空間アテンションマップは、構造的に特徴的なシーン領域に局在し、t-SNEは光と重煙の明確なクラスター分離を示す。

関連論文リスト

• Severe Domain Shift in Skeleton-Based Action Recognition:A Study of Uncertainty Failure in Real-World Gym Environments [0.0]
  本稿では,新しいGym2DデータセットとUCF101データセットを用いて,厳しい領域シフトの体系的研究を行う。 我々の研究は、標準的なデプロイメント仮定に挑戦し、セマンティックスケルトン認識と幾何学的スケルトン認識の両方のデプロイの安全性を原則として分析する。
  論文  参考訳（メタデータ） (2026-03-16T17:37:17Z)
• The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks [51.468144272905135]
  深層ニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱なままでも重要なアプリケーションを支える。 バックドア攻撃を標的とした理論的解析を行い,不均質なモデル操作を実現するための疎い決定境界に着目した。 エミネンス(Eminence)は、理論的な保証と固有なステルス特性を持つ、説明可能で堅牢なブラックボックスバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-12-11T08:09:07Z)
• SHRUG-FM: Reliability-Aware Foundation Models for Earth Observation [2.6526177459233446]
  地球観測のための地球空間基盤モデルは、事前訓練中に過小評価されている環境では確実に機能しないことが多い。 SHRUG-FMは3つの相補的な信号を統合する信頼性を考慮した予測フレームワークである。 我々は,OODスコアが特定の環境条件下での低い性能と相関していることを示し,不確実性に基づくフラグは,多くの性能の悪い予測を捨てる助けとなることを示した。
  論文  参考訳（メタデータ） (2025-11-13T14:48:55Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• Uncertainty-Aware Post-Detection Framework for Enhanced Fire and Smoke Detection in Compact Deep Learning Models [0.0]
  既存のビジョンベースの手法は、効率性と信頼性のバランスをとる上で困難に直面している。 YOLOv5nやYOLOv8nといったディープラーニングモデルは、UAV、CCTVシステム、IoTデバイスへのデプロイに広く採用されている。 本稿では,統計的不確実性と領域関連視覚的手がかりの両方を用いて,検出信頼度を再スケールする不確実性検出後フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-11T08:36:57Z)
• TULiP: Test-time Uncertainty Estimation via Linearization and Weight Perturbation [11.334867025651233]
  OOD検出のための理論駆動型不確実性推定器TULiPを提案する。 本手法では,収束前にネットワークに適用される仮説的摂動を考察する。 提案手法は,特に近分布試料について,最先端の性能を示す。
  論文  参考訳（メタデータ） (2025-05-22T17:16:41Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• Robust and Precise Facial Landmark Detection by Self-Calibrated Pose Attention Network [73.56802915291917]
  より堅牢で正確な顔のランドマーク検出を実現するための半教師付きフレームワークを提案する。 より効果的な顔形状制約をモデル化するために,境界対応ランドマーク強度(BALI)フィールドを提案する。 自己キャリブレーション・ポース・アテンション(SCPA)モデルは、中間的監督を強制する自己学習型目標関数を提供するように設計されている。
  論文  参考訳（メタデータ） (2021-12-23T02:51:08Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)

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。