論文の概要: Impact of Dataset Composition on Embedded Real-Time UAV Wildfire Detection Using Compact YOLO Models
- arxiv url: http://arxiv.org/abs/2608.07554v1
- Date: Sat, 01 Aug 2026 21:43:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.43218
- Title: Impact of Dataset Composition on Embedded Real-Time UAV Wildfire Detection Using Compact YOLO Models
- Title（参考訳）: 小型YOLOモデルを用いた組込みリアルタイムUAV山火事検出におけるデータセット組成の影響
- Abstract要約: 本稿では,コンパクトなYOLOモデルを用いた組込みリアルタイムUAV山火事検出におけるデータセット構成の影響について検討する。
4つのトレーニング構成が評価された: 真の非強化、真の拡張、ハイブリッドな非強化、ハイブリッドな拡張。
- 参考スコア（独自算出の注目度）: 0.11744028458220425
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The development of vision-based wildfire detection systems for unmanned aerial vehicles is constrained by the limited availability of diverse real-world training images. This paper investigates the impact of dataset composition on embedded real-time UAV wildfire detection using compact YOLO models as a controlled validation family. Four training configurations were evaluated: real non-augmented, real augmented, hybrid non-augmented, and hybrid augmented, where the hybrid sets combine real wildfire images with AI-generated samples. The objective is to determine whether synthetic data mixing and image augmentation improve practical detection performance under resource-constrained deployment conditions. Experimental results show that the best overall operating point was obtained with the real non-augmented dataset, which achieved the strongest balance between recall and mean average precision for UAV-based wildfire detection. The results also show that neither hybridization with synthetic data nor augmentation produced a better final deployment choice. These findings suggest that, for embedded UAV wildfire detection, dataset realism and domain alignment are more valuable than increasing training set size through synthetic expansion.
- Abstract（参考訳）: 無人航空機のための視覚に基づく山火事検出システムの開発は、多様な実世界の訓練画像の入手が限られていることに制約がある。
本稿では,コンパクトなYOLOモデルを用いた組込みリアルタイムUAV山火事検出におけるデータセット構成の影響について検討する。
4つのトレーニング構成が評価された: 真の非拡張、真の拡張、ハイブリッドな非拡張、ハイブリッドな拡張。
本研究の目的は, 資源制約された展開条件下での合成データ混合と画像強調により, 実用的な検出性能が向上するかどうかを判断することである。
実験結果から,UAVをベースとした山火事検出における平均平均精度とリコールの最も高いバランスを達成できる実非増強データセットを用いて,最高操作点が得られた。
結果は、合成データとのハイブリッド化も、拡張化も、最終的な配置選択に適さないことも示している。
これらの結果から, 組込みUAV山火事検出において, データセットリアリズムとドメインアライメントは, 総合的な拡張によりトレーニングセットのサイズを増大させるよりも有用であることが示唆された。
関連論文リスト
- Training with synthetic data for drone detection in thermal imagery [0.9236074230806578]
中・長波赤外(MWIR/LWIR)画像における地上対空(G2A)ドローン検出は困難である。
本研究では,合成シーン生成と実データによる微調整を組み合わせた合成ファーストトレーニング戦略について検討する。
論文 参考訳（メタデータ） (2026-08-18T13:59:58Z) - Boosting Robust AIGI Detection with LoRA-based Pairwise Training [55.076681464804636]
現在のAIGI検出器はクリーンなデータセットで良好に動作しますが、その検出性能は"野生"に展開すると低下します。
本稿では,高度歪み下でのAIGIの堅牢な検出を実現するために,Lo-based Pairwise Training (RA) 戦略を提案する。
論文 参考訳（メタデータ） (2026-04-14T05:35:32Z) - Sim-to-Real Fruit Detection Using Synthetic Data: Quantitative Evaluation and Embedded Deployment with Isaac Sim [0.0]
本研究では,制約付きデータ条件および組込み配置条件下でのオブジェクト検出におけるSim-to-real転送のための合成データの有効性について検討した。
その結果、実データのみにトレーニングされたモデルが最も精度が高いのに対し、合成専用モデルはドメインギャップによる性能低下を示すことがわかった。
訓練されたモデルはJetson Orin NXRTに配備され、リアルタイムの推論性能を実現した。
論文 参考訳（メタデータ） (2026-03-30T16:52:29Z) - Real-Time Monocular Scene Analysis for UAV in Outdoor Environments [0.0]
我々はCo-SemDepthという,2つのタスクを正確かつ迅速に実行可能な共同ディープラーニングアーキテクチャを提案する。
Co-SemDepthは、MidSeaと呼ばれる合成海洋データに基づいて訓練され、合成データと実データの両方でテストされている。
論文 参考訳（メタデータ） (2026-03-09T14:08:50Z) - Generative AI for Enhanced Wildfire Detection: Bridging the Synthetic-Real Domain Gap [0.0]
森林火災の早期発見は、大規模な被害を緩和する鍵となる煙柱のタイムリーな識別という、環境上の重要な課題である。
我々は、包括的な注釈付き煙のデータセットを合成することで、このデータ制限に対処するために、生成AI技術を活用します。
次に,煙管セグメンテーションのための教師なし領域適応手法を探索し,合成データと実世界のデータとのギャップを埋める効果を解析した。
論文 参考訳（メタデータ） (2025-09-02T00:40:55Z) - More Clear, More Flexible, More Precise: A Comprehensive Oriented Object Detection benchmark for UAV [58.89234732689013]
CODroneは、現実の状況を正確に反映した、UAVのための包括的なオブジェクト指向オブジェクト検出データセットである。
また、下流のタスク要求に合わせて設計された新しいベンチマークとしても機能する。
我々は、CODroneを厳格に評価するために、22の古典的またはSOTA法に基づく一連の実験を行う。
論文 参考訳（メタデータ） (2025-04-28T17:56:02Z) - Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。
近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。
本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
論文 参考訳（メタデータ） (2023-12-18T09:52:14Z) - UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。
本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2023-10-25T00:20:37Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳（メタデータ） (2023-06-20T09:46:01Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z)
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。