論文の概要: Spectral-Morphological Attention U-Net: An Efficient Network for Active Wildfire Detection
- arxiv url: http://arxiv.org/abs/2607.16472v1
- Date: Fri, 17 Jul 2026 19:37:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.155822
- Title: Spectral-Morphological Attention U-Net: An Efficient Network for Active Wildfire Detection
- Title（参考訳）: スペクトル・モルフォロジー・アテンションU-Net:アクティブ・ワイルドファイア検出のための効率的なネットワーク
- Abstract要約: 本稿では,スペクトルアテンションモジュール,残留アテンションUNetバックボーン,チャネル空間変調器,一対の異形ゲートを含むスペクトルアテンションU-Net(SMA-UNet)と呼ばれる新しいモデルを提案する。
バックボーンを除くこれらのモジュールは、特に一対の異なる形態的ゲートにおいて、初めて活動的な火災イベントを検出するために使用される。
- 参考スコア（独自算出の注目度）: 0.692305735698369
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Over the past decades, the frequency of global wildfires has been increasing steadily. Therefore, if the fire can be detected and precisely located at an early stage, the potential hazards caused by it can be minimized to the greatest extent. The machine learning methods based on satellite images, due to their ability to automatically monitor extremely remote and vast areas, have shown great potential for application in the field of wildfire detection. To address this challenge, we proposed a new model named spectral-morphological attention U-Net(SMA-UNet), which includes a spectral attention module, a residual attention UNet backbone, a channel-spatial modulator, and a pair of differentiable morphological gates. We trained and evaluated this model with two datasets. These modules, excluding the backbone, are used to detect active fire events for the first time, especially the pair of differentiable morphological gates, which is innovatively developed. The proposed model achieved the highest scores in both datasets (e.g., intersection over union 75.16% in TS-SatFire, 22.50% in Sen2Fire). By conducting ablation studies of each module, we compared their independent contributions and tested their combinations. Ultimately, the integration of these modules yields a highly robust framework that significantly improves segmentation consistency across diverse and complex environmental conditions. Future work will focus on validating the proposed architecture across large-scale, multi-regional datasets from different satellite sensors to establish its broader generalizability for global wildfire detection.
- Abstract（参考訳）: 過去数十年間、世界的な山火事の頻度は着実に増加している。
したがって、火災が早期に検出され、正確に位置決めできる場合、火災によって引き起こされる潜在的な危険を極端に最小化することができる。
衛星画像に基づく機械学習手法は、遠隔地や広大な地域を自動的に監視できるため、山火事検出の分野で大きな可能性を示している。
この課題に対処するために,スペクトルアテンションモジュール,残留アテンションUNetバックボーン,チャネル空間変調器,および一対の微分可能なモルフォロジーゲートを含むスペクトルアテンションU-Net(SMA-UNet)と呼ばれる新しいモデルを提案した。
このモデルを2つのデータセットでトレーニングし、評価しました。
バックボーンを除くこれらのモジュールは、特に革新的に開発された一対の識別可能な形態的ゲートにおいて、初めてアクティブな火災イベントを検出するために使用される。
提案されたモデルは、両方のデータセットで最高スコア(例えば、TS-SatFireで75.16%、Sen2Fireで22.50%)を達成した。
それぞれのモジュールのアブレーション研究を行うことで,各モジュールの独立したコントリビューションを比較し,それらの組み合わせを検証した。
最終的に、これらのモジュールの統合は、多様な複雑な環境条件におけるセグメンテーションの整合性を大幅に改善する、非常に堅牢なフレームワークをもたらす。
今後の研究は、さまざまな衛星センサーから大規模で多リージョンのデータセットにまたがって提案されたアーキテクチャを検証することに集中し、地球規模の山火事検出のためのより広範な一般化性を確立する。
関連論文リスト
- Scale-based Approach for Active Wildfire Segmentation on Satellite Imagery [3.3831247297841798]
衛星画像からのアクティブな山火事マッピングは、火のピクセルの粗さと高度に不均衡な性質のために困難である。
本研究では,マルチスペクトルランドサット8画像を用いて,多スケールの山火事サイズ条件下でのアクティブ・ファイア・セグメンテーションについて検討する。
論文 参考訳（メタデータ） (2026-09-01T15:20:19Z) - FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。
FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。
我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
論文 参考訳（メタデータ） (2026-05-27T08:55:54Z) - Low-Rank Adaptation of Geospatial Foundation Models for Wildfire Mapping Using Sentinel-2 Data [0.9558392439655014]
本研究では,Sentinel-2データを用いて,米国とカナダを横断する焼成領域マッピングのための3つの最新地理空間基盤モデル(GFMs)を評価した。
各モデルに適用するために、フル微調整、デコーダのみの微調整、ローランド適応(LoRA)を比較した。
LoRAのPrithvi-v2は、完全な微調整に比べて全体的な精度と最大の改善を実現している。
論文 参考訳（メタデータ） (2026-05-06T14:47:01Z) - S^2F-Net:A Robust Spatial-Spectral Fusion Framework for Cross-Model AIGC Detection [12.927141899285758]
本稿では,S2 F-Netと呼ばれるクロスモデル検出フレームワークを提案する。
その核心は、実際のテクスチャと合成テクスチャのスペクトルの相違を探索し、活用することにある。
適応的に重み付けし、識別周波数帯域を増強する学習可能な周波数アテンションモジュールを導入する。
論文 参考訳（メタデータ） (2026-01-18T08:43:27Z) - DetectiumFire: A Comprehensive Multi-modal Dataset Bridging Vision and Language for Fire Understanding [5.257894673786823]
DetectiumFireは、22.5kの高解像度火災関連画像と2.5kの現実世界火災関連ビデオからなる大規模マルチモーダルデータセットである。
データは従来のコンピュータビジョンラベル(例えば、バウンディングボックス)とシーンを記述する詳細なテキストプロンプトの両方で注釈付けされる。
我々は、オブジェクト検出、拡散ベース画像生成、視覚言語推論など、複数のタスクにまたがるDetectiumFireの有用性を検証する。
論文 参考訳（メタデータ） (2025-11-04T11:33:11Z) - Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。
既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。
本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
論文 参考訳（メタデータ） (2025-08-07T11:14:16Z) - TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。
我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。
TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
論文 参考訳（メタデータ） (2025-06-06T17:59:50Z) - Rapid Wildfire Hotspot Detection Using Self-Supervised Learning on Temporal Remote Sensing Data [0.12289361708127873]
衛星ネットワークや高度なAIモデルからリモートセンシングされたデータを活用して、ホットスポットを自動的に検出することは、山火事モニタリングシステムを構築する効果的な方法である。
本稿では,欧州の火災イベントに関連するリモートセンシングデータの時系列を含む新しいデータセットと,多時期データを解析し,潜在的にほぼリアルタイムにホットスポットを識別できる自己監視学習(SSL)モデルを提案する。
我々は、我々のデータセットといくつかの火災イベントを含む熱異常のデータセットであるThrawsを用いて、モデルの性能を訓練し、評価し、F1スコア63.58を得る。
論文 参考訳（メタデータ） (2024-05-30T14:31:46Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Frequency Perception Network for Camouflaged Object Detection [51.26386921922031]
周波数領域のセマンティック階層によって駆動される新しい学習可能かつ分離可能な周波数知覚機構を提案する。
ネットワーク全体では、周波数誘導粗い局所化ステージと細部保存の微細局在化ステージを含む2段階モデルを採用している。
提案手法は,既存のモデルと比較して,3つのベンチマークデータセットにおいて競合性能を実現する。
論文 参考訳（メタデータ） (2023-08-17T11:30:46Z) - Target-aware Dual Adversarial Learning and a Multi-scenario
Multi-Modality Benchmark to Fuse Infrared and Visible for Object Detection [65.30079184700755]
本研究は、物体検出のために異なるように見える赤外線と可視画像の融合の問題に対処する。
従来のアプローチでは、2つのモダリティの根底にある共通点を発見し、反復最適化またはディープネットワークによって共通空間に融合する。
本稿では、融合と検出の連立問題に対する二段階最適化の定式化を提案し、その後、核融合と一般的に使用される検出ネットワークのためのターゲット認識デュアル逆学習(TarDAL)ネットワークに展開する。
論文 参考訳（メタデータ） (2022-03-30T11:44:56Z)
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。