論文の概要: A Sentinel-2 benchmark dataset for deep-learning active-fire segmentation across 25 California wildfires
- arxiv url: http://arxiv.org/abs/2609.16199v1
- Date: Mon, 14 Sep 2026 18:31:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.175589
- Title: A Sentinel-2 benchmark dataset for deep-learning active-fire segmentation across 25 California wildfires
- Title（参考訳）: カリフォルニア州の25の山火事を対象とした深層学習型アクティブファイアセグメンテーションのためのSentinel-2ベンチマークデータセット
- Abstract要約: このデータセットには、カリフォルニアの山火事25件から、2020年7月から2026年8月までの2,148件のイメージマスクペアが含まれている。
リリースには、チップレベルのメタデータと18のトレーニング、3つのバリデーション、4つのテストファイアを含むインシデント分離が含まれている。
イメージペアのうち、841はアクティブファイアラベルを含み、これらのラベルはすべてのグリッドセルの0.0766%を占める。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article describes an open image dataset for developing and evaluating active-fire segmentation methods in satellite imagery. The dataset contains 2,148 image-mask pairs from 25 California wildfires, with acquisitions spanning July 2020 to August 2026. Each image is a 512x512-pixel, three-channel composite derived from Sentinel-2 Level-2A bands B12, B11 and B8A at 20 m spatial sampling. A fixed linear rendering is applied throughout the dataset. Corresponding masks distinguish background, SWIR-rule active fire and invalid observations. The masks were generated from shortwave-infrared brightness and near-infrared contrast, followed by constrained neighborhood growth. The release includes chip-level metadata and an incident-disjoint partition containing 18 training, three validation and four test fires. Among the image pairs, 841 contain active-fire labels; these labels occupy 0.0766% of all grid cells. A mask-blind analyst review covers 233 test chips and provides a separate assessment of the rule-generated labels at chip and connected-component levels. Reference training and evaluation code accompanies the data, including a ResNet-34 U-Net implementation with validation-based checkpoint and threshold selection. The archived images, masks, metadata and review annotations support research on rare-class segmentation, learning from algorithmic labels and transfer across fire incidents. The versioned dataset is deposited on Zenodo, with preparation and reuse software maintained in a public GitHub repository.
- Abstract（参考訳）: 本稿では,衛星画像におけるアクティブ・ファイア・セグメンテーション手法の開発と評価のためのオープン・イメージ・データセットについて述べる。
このデータセットには、カリフォルニアの山火事25件から、2020年7月から2026年8月までの2,148件のイメージマスクペアが含まれている。
各画像は、20mの空間サンプリングでSentinel-2 Level-2AバンドB12,B11,B8Aから導出される512×512画素3チャネル複合体である。
固定線形レンダリングはデータセット全体にわたって適用される。
対応するマスクは、背景、SWIRルールのアクティブファイア、無効な観測を区別する。
マスクは近赤外短波長および近赤外コントラストから生成し,その後に近辺の成長が制限された。
リリースには、チップレベルのメタデータと18のトレーニング、3つのバリデーション、4つのテストファイアを含むインシデント分離が含まれている。
イメージペアのうち、841はアクティブファイアラベルを含み、これらのラベルはすべてのグリッドセルの0.0766%を占める。
マスクブラインドアナリストレビューでは、233個のテストチップをカバーし、チップおよび接続部品レベルでルール生成ラベルを別々に評価する。
参照トレーニングと評価コードには、検証ベースのチェックポイントとしきい値選択を備えたResNet-34 U-Net実装を含むデータが含まれている。
アーカイブされた画像、マスク、メタデータ、レビューアノテーションは、レアクラスのセグメンテーションの研究、アルゴリズムラベルからの学習、火災インシデント間の転送をサポートする。
バージョン付きデータセットはZenodoに寄託され、公開GitHubリポジトリでソフトウェアの準備と再利用が行われる。
関連論文リスト
- Towards UAV Detection in the Real World: A New Multispectral Dataset UAVNet-MS and a New Method [80.50361258830928]
UAVNet-MSは、微小UAV検出のための最初のマルチスペクトルデータセットである。
本稿では、アレイ誘起パララックスと空間-スペクトル融合に対処するデュアルストリームベースラインであるMFDNetを提案する。
この研究は、基礎的なデータセット、強力なベースライン、マルチスペクトルUAV監視研究のためのベンチマークを提供する。
論文 参考訳（メタデータ） (2026-05-20T09:49:04Z) - Generating Satellite Imagery Data for Wildfire Detection through Mask-Conditioned Generative AI [0.0]
ペイントベースのパイプラインは、すべてのメトリクスでフルタイル生成を一貫して上回る。
VLMによる塗装は手作りのプロンプトと競合する。
論文 参考訳（メタデータ） (2026-04-02T19:25:55Z) - Real-Time Wildfire Localization on the NASA Autonomous Modular Sensor using Deep Learning [4.4145031895964415]
我々は、NASAautonomous Modular Sensor (AMS) から人間による注釈付きデータセットを導入する。
我々のデータセットは、赤外(IR)、短波赤外(SWIR)、熱を含む12の異なるチャンネルのスペクトルデータを合成する。
本研究では, 深層学習モデルを用いて, 火災周囲決定の人為的集中プロセスを自動化する実験を行った。
論文 参考訳（メタデータ） (2026-01-20T20:56:34Z) - TS-SatFire: A Multi-Task Satellite Image Time-Series Dataset for Wildfire Detection and Prediction [2.2673203312389423]
2017年1月から2021年10月まで、米国内の山火事をカバーし、3552面の反射率画像と補助データ、合計71GBである。
このデータセットは3つのタスクをサポートする。アクティブファイア検出、毎日の燃えているエリアマッピング、および山火事の進行予測だ。
このデータセットとそのベンチマークは、ディープラーニングを使って山火事の研究を進める基盤を提供する。
論文 参考訳（メタデータ） (2024-12-16T08:40:12Z) - Sen2Fire: A Challenging Benchmark Dataset for Wildfire Detection using Sentinel Data [5.299803738642663]
このデータセットは、Sentinel-2マルチスペクトルデータとSentinel-5Pエアロゾル製品から収集される。
各パッチのサイズは512$times$512で、13のバンドがある。
その結果、山火事検出に全バンドを使用するのに対し、特定のバンドの組み合わせを選択すると、優れた性能が得られることが示唆された。
論文 参考訳（メタデータ） (2024-03-26T17:16:04Z) - CorrMatch: Label Propagation via Correlation Matching for
Semi-Supervised Semantic Segmentation [73.89509052503222]
本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。
相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。
我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。
そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
論文 参考訳（メタデータ） (2023-06-07T10:02:29Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳（メタデータ） (2023-02-16T13:41:19Z) - Shot boundary detection method based on a new extensive dataset and
mixed features [68.8204255655161]
ビデオにおけるショット境界検出は、ビデオデータ処理の重要な段階の1つである。
カラーヒストグラムや物体境界などの映像特徴に基づくショット境界検出法が提案されている。
論文 参考訳（メタデータ） (2021-09-02T16:19:24Z) - DeepDarts: Modeling Keypoints as Objects for Automatic Scorekeeping in
Darts using a Single Camera [75.34178733070547]
既存のマルチカメラソリューションは、スチールチップダーツの自動スコア管理に非常に高価であり、ほとんどのプレイヤーにはアクセスできない。
キーポイント検出に対する新しいアプローチを提案し,任意のカメラアングルから撮影した単一の画像からダートスコアを予測する。
我々は、このアイデアにまつわる深い畳み込みニューラルネットワークを開発し、ダート位置とダートボードの校正点を予測する。
論文 参考訳（メタデータ） (2021-05-20T16:25:57Z) - Active Fire Detection in Landsat-8 Imagery: a Large-Scale Dataset and a
Deep-Learning Study [1.3764085113103217]
本稿では,深層学習技術を用いた火災検知のための大規模データセットについて紹介する。
本稿では,様々な畳み込みニューラルネットワークアーキテクチャを用いて手作りアルゴリズムを近似する方法について検討する。
提案されたデータセット、ソースコード、トレーニングされたモデルはGithubで入手できる。
論文 参考訳（メタデータ） (2021-01-09T19:05:03Z) - Speak2Label: Using Domain Knowledge for Creating a Large Scale Driver
Gaze Zone Estimation Dataset [55.391532084304494]
ワイルド・データセットのドライバ・ゲイズには、夕方を含む1日の異なる時間に撮影された586の録音が含まれている。
ワイルド・データセットのドライバ・ゲイズには338人の被験者がおり、年齢は18-63歳である。
論文 参考訳（メタデータ） (2020-04-13T14:47:34Z)
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。