論文の概要: WISE: A Lightweight, Weakly-Supervised Model for Onboard Fire Smoke Detection and Localization

• arxiv url: http://arxiv.org/abs/2609.18227v1
• Date: Wed, 16 Sep 2026 07:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.685579
• Title: WISE: A Lightweight, Weakly-Supervised Model for Onboard Fire Smoke Detection and Localization
• Title（参考訳）: WISE:オンボード火災煙検出と位置推定のための軽量で弱めに監視されたモデル
• Abstract要約: WISE (Weakly-supervised Inference- efficient Smoke extract) は, 着火煙の検出と位置推定のための配置指向フレームワークである。 3つのモデル変種は平均推定時間0.10秒、0.14秒、0.26秒を達成し、オンボードの資源制限内でほぼリアルタイムなタイル当たりの推測を示す。 最もパフォーマンスの良い変種は平均タイルレベルF1スコアが0.964、平均ピクセルレベルF1スコアが10ランで0.750、パラメータが0.12Mで約3GFLOPである。
• 参考スコア（独自算出の注目度）: 55.18555004736124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wildfire smoke detection from satellite imagery is critical for early warning and rapid response. For onboard satellite deployment, detection systems must operate under strict memory and latency constraints while providing spatially informative outputs for downstream decision-making. Existing tile-level classification methods are computationally efficient but lack spatial localization, whereas pixel-level segmentation approaches provide detailed masks yet are typically too computationally demanding for real-time onboard execution. To address this gap, we propose WISE (Weakly-supervised Inference-efficient Smoke Extraction), a deployment-oriented framework for onboard fire smoke detection and localization. WISE leverages only tile-level annotations through a teacher-student distillation strategy, where an offline teacher provides soft spatial supervision to a lightweight WISE-Student optimized for efficient onboard inference. The student jointly predicts tile-level smoke presence and smoke probability maps within a single forward pass, enabling spatially informative detection under strict computational constraints. WISE was evaluated through in-orbit execution aboard the ISS-mounted IMAGIN-e payload. Three model variants achieve average inference times of 0.10 s, 0.14 s, and 0.26 s per tile, indicating near-real-time per-tile inference within onboard resource limits. Ground-based experiments on Landsat 5 and Landsat 8 imagery further indicate effective detection and spatially informative localization. The best-performing variant achieves a mean tile-level F1 score of 0.964 and a mean pixel-level F1 score of 0.750 across 10 runs, while containing only 0.12M parameters and requiring approximately 3 GFLOPs. Together, these results indicate that WISE is a practical candidate for low-latency wildfire smoke monitoring from space under onboard resource constraints.
• Abstract（参考訳）: 衛星画像からの山火事の煙検出は早期警戒と迅速な応答に重要である。 衛星搭載では、検出システムは厳格なメモリと遅延制限の下で動作し、下流の意思決定のために空間的に情報的出力を提供する必要がある。 既存のタイルレベルの分類法は計算効率が良いが、空間的局所性はないが、画素レベルの分割手法は詳細なマスクを提供するが、通常はリアルタイムのオンボード実行には計算的に要求されすぎる。 このギャップに対処するため,本研究では,着火煙の検出と局所化のためのデプロイメント指向フレームワークWISE(Weakly-supervised Inference- efficient Smoke extract)を提案する。 WISEは教師-学生の蒸留戦略を通じてタイルレベルのアノテーションのみを活用し、オフラインの教師が効率的なオンボード推論のために最適化された軽量WISE-Studentにソフトな空間的監視を提供する。 学生は、単一の前方パス内のタイルレベルの煙の存在と煙確率マップを共同で予測し、厳密な計算制約の下で空間的に情報的検出を可能にする。 WISEはISS搭載のIMAGIN-eペイロードの軌道上での実行によって評価された。 3つのモデル変種は平均推定時間0.10秒、0.14秒、0.26秒を達成し、オンボードの資源制限内でほぼリアルタイムなタイル当たりの推測を示す。 ランドサット5号とランドサット8号の地上実験は、より効果的な検出と空間的情報的位置付けを示す。 最もパフォーマンスの良い変種は平均タイルレベルF1スコアが0.964、平均ピクセルレベルF1スコアが10ランで0.750、パラメータが0.12Mで約3GFLOPである。 これらの結果から,WISEは資源制約下での宇宙からの低遅延山火事煙モニタリングの実用的な候補であることが示唆された。

関連論文リスト

• Neural-Primitive: An Efficient End-to-end Local Planner with Primitive-based Imitation Learning for Autonomous Flight [18.32699656479332]
  そこで本研究では,模倣手法による効率的なローカルプランナを提案する。 コンパクトニューラルネットワークは、非順序環境における高品質な軌道をマッピングする。
  論文  参考訳（メタデータ） (2026-08-21T10:13:44Z)
• LightAVSeg: Lightweight Audio-Visual Segmentation [67.18006751024687]
  LightAVSegは、セマンティックフィルタリングと空間接地のための分離された設計に置き換わっている。 実験では、軽量メソッド間で新しい最先端を実現することを実証している。 MS3ベンチマークで50.4 mIoUに達し、モバイルプロセッサでの効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2026-05-09T08:47:54Z)
• On-Orbit Real-Time Wildfire Detection Under On-Board Constraints [0.0]
  本研究では,9衛星の商業熱赤外星座上での軌道上山火事検出システムについて述べる。 このシステムは、200mのサンプリング距離で、未校正中波赤外線(MWIR)シングルバンド画像で動作する。 そこで本研究では,プロプライエタリな9サテライトMWIRデータセットを用いた軽量密度表現学習の実証的研究を行った。
  論文  参考訳（メタデータ） (2026-05-07T13:47:27Z)
• PyroFocus: A Deep Learning Approach to Real-Time Wildfire Detection in Multispectral Remote Sensing Imagery [0.0]
  迅速かつ正確な山火事検出は、緊急対応と環境管理に不可欠である。 空中飛行と宇宙飛行のミッションでは、リアルタイムアルゴリズムは火災、活動的な火災、および発射後の条件を区別しなければならない。 火の分類を行い,火の放射力(FRP)レグレッションやセグメンテーションを施した2段パイプラインであるPyroFocusを導入する。
  論文  参考訳（メタデータ） (2025-12-02T21:59:45Z)
• Two-Stage Framework for Efficient UAV-Based Wildfire Video Analysis with Adaptive Compression and Fire Source Detection [4.796400107449626]
  UAVプラットフォーム上でのリアルタイムの山火事モニタリングと火災源検出のためのフレームワークを提案する。 特にステージ1では、冗長なビデオクリップを識別・破棄するためにポリシーネットワークを使用します。 ステージ2では、フレームを「火」に分類すると、改良されたYOLOv8モデルを使用して火源をローカライズする。
  論文  参考訳（メタデータ） (2025-08-22T18:27:31Z)
• Interpreting Object-level Foundation Models via Visual Precision Search [54.575247537324344]
  より少ない領域で正確な属性マップを生成する視覚的精度探索法を提案する。 本研究では,DINO と Florence-2 の SOTA に対するオブジェクトレベルのタスク解釈可能性の向上を,様々な評価指標で示す。 提案手法は,複数の評価指標にまたがる既存の手法を超越して,視覚的接地や物体検出タスクにおける障害を解釈することができる。
  論文  参考訳（メタデータ） (2024-11-25T08:54:54Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• An Adaptive Threshold for the Canny Edge Detection with Actor-Critic Algorithm [0.0]
  ディープラーニングに基づくオブジェクト検出アルゴリズムでは、検出能力は古典的バックグラウンドサブトラクション(BGS)アルゴリズムよりも優れている。 本稿では、時間的・空間的な情報を抽出できる前景時間融合ネットワーク(STFN)を提案する。 提案アルゴリズムは、LASIESTAとSBIデータセットの最新のディープラーニング手法よりも11.28%と18.33%高い。
  論文  参考訳（メタデータ） (2022-09-19T01:15:32Z)

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。