論文の概要: Multiclass Semantic Segmentation of Wildland Fire Images Using Context-Aware Centralized Copy-Paste Data Augmentation

• arxiv url: http://arxiv.org/abs/2609.21241v1
• Date: Fri, 18 Sep 2026 02:34:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.834448
• Title: Multiclass Semantic Segmentation of Wildland Fire Images Using Context-Aware Centralized Copy-Paste Data Augmentation
• Title（参考訳）: 環境に配慮したコピー・ペーストデータ拡張による森林火災画像のマルチクラス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ックセグメンテーション
• Abstract要約: 小型の多クラス森林火災データセットにおけるデータ品質とリアリズムを改善するための文脈認識戦略を提案する。 提案手法は,アッシュベジテーションの組成がソースコンテキストに最も近い位置を選択することで,火の配置を意味論的に有効なターゲット領域に制限する。 このアプローチは、ターゲット画像内の既存の火災領域を保存し、非現実的な配置を防止し、実際の山火事シーンに似た画像を生成することにより、文脈的精度を維持する。
• 参考スコア（独自算出の注目度）: 3.0496630004256957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Producing accurate annotations for deep learning based image segmentation is both costly and labor intensive. This challenge is especially evident in wildland fire applications, where accurately labeled datasets are scarce due to the difficulty of collecting and annotating dynamic fire scenes. To address this problem, our previous work introduced the Centralized Copy-Paste Data Augmentation (CCPDA) method for semantic segmentation of wildland fire imagery, which generates artificial training samples by randomly pasting fire clusters from source images onto target images. However, random placement can produce contextually unrealistic scenes, such as fire burning on asphalt. In this paper, we present a context-aware strategy designed specifically to improve data quality and realism in small multiclass wildland fire datasets, ensuring that augmented samples remain contextually meaningful. The proposed method restricts fire placement to semantically valid target regions and selects the location whose Ash-Vegetation composition most closely matches the source context. This approach preserves existing fire regions in the target image, prevents unrealistic placements, and maintains contextual accuracy by generating images that resemble real wildland fire scenes. We evaluate the Context-Aware CCPDA strategy through numerical analysis and comparisons with other augmentation methods by a weighted sum-based multi-objective optimization (MOO) approach. The results confirm that the context-aware data augmentation strategy leads to improved segmentation performance and contextual realism, outperforming other augmentation procedures.
• Abstract（参考訳）: ディープラーニングに基づく画像セグメンテーションのための正確なアノテーションを作成するのは、費用も労力もかかる。 この課題は、ダイナミックな火災シーンの収集と注釈の難しさから、正確にラベル付けされたデータセットが不足している野生の火災現場で特に顕著である。 この問題を解決するために,本研究では,山火事画像のセマンティックセグメンテーションのためのCCPDA(Centralized Copy-Paste Data Augmentation)手法を導入している。 しかし、ランダムな配置は、アスファルトに火を放つような、文脈的に非現実的なシーンを生み出すことができる。 本稿では,小型のマルチクラス森林火災データセットにおけるデータ品質とリアリズムの向上を目的とした文脈認識戦略を提案する。 提案手法は,アッシュベジテーションの組成がソースコンテキストに最も近い位置を選択することで,火の配置を意味論的に有効なターゲット領域に制限する。 このアプローチは、ターゲット画像中の既存の火災領域を保存し、非現実的な配置を防止し、実際の山火事シーンに似た画像を生成することにより、文脈的精度を維持する。 我々は、重み付け和に基づく多目的最適化(MOO)アプローチにより、文脈認識型CPDA戦略を数値解析および他の拡張手法との比較により評価する。 その結果,コンテキスト認識型データ拡張戦略はセグメンテーション性能とコンテキストリアリズムを向上させ,他の拡張手順よりも優れていたことが確認された。

関連論文リスト

• Uint: Building Uint Detection Dataset [1.2166468091046596]
  ファイアシーンデータセットは、堅牢なコンピュータビジョンモデルのトレーニングに不可欠である。 ビルディングユニットを対象とする注釈付きデータはかなり不足している。 ドローンによって捕獲された建築ユニットの注釈付きデータセットを導入し、複数の拡張手法を取り入れた。
  論文  参考訳（メタデータ） (2025-08-05T06:36:41Z)
• Centralized Copy-Paste: Enhanced Data Augmentation Strategy for Wildland Fire Semantic Segmentation [37.327688766875895]
  本稿では,深層学習型マルチクラスセグメンテーションモデルのトレーニングを支援するために,Copy-Paste Data Augmentation (CCPDA)法を提案する。 CCPDAには3つの主要なステップがある: (i) 原画像中の火のクラスターを識別し、 (ii) 火の領域のコアに集中するために集中化技術を適用し、 (iii) 精製した火のクラスターを目標画像に貼り付ける。 この拡張手法の有効性は, 数値解析と他の拡張手法との比較によって実証される。
  論文  参考訳（メタデータ） (2025-07-08T18:17:09Z)
• GenMix: Effective Data Augmentation with Generative Diffusion Model Image Editing [60.101097709212716]
  本稿では、一般化可能なプロンプト誘導型生成データ拡張手法であるGenMixを紹介する。 本手法は、画像編集を利用して、カスタム条件付きプロンプトに基づく拡張画像を生成する。 提案手法は、非現実的な画像とラベルの曖昧さを緩和し、結果のモデルの性能と対角的堅牢性を向上する。
  論文  参考訳（メタデータ） (2024-12-03T10:45:34Z)
• FLAME Diffuser: Wildfire Image Synthesis using Mask Guided Diffusion [4.038140001938416]
  本研究では,現実的な山火事画像を生成するためのトレーニングフリーで拡散型フレームワークを提案する。 われわれのフレームワークは、本物の山火事データからサンプル化した拡張マスクを用いており、現実的な炎の発生を誘導するためにパーリンノイズを適用している。 正規化Frechet Inception Distance, CLIP Score, カスタムCLIP Confidence測定値を用いて生成画像を評価する。
  論文  参考訳（メタデータ） (2024-03-06T04:59:38Z)
• Self-supervised Scene Text Segmentation with Object-centric Layered Representations Augmented by Text Regions [22.090074821554754]
  本稿では,オブジェクト中心の表現を階層的に分離し,画像からテキストや背景に分割する自己教師付きシーンテキストセグメンテーションアルゴリズムを提案する。 いくつかの公開シーンのテキストデータセットにおいて、この手法は最先端の教師なしセグメンテーションアルゴリズムよりも優れている。
  論文  参考訳（メタデータ） (2023-08-25T05:00:05Z)
• FACTUAL: A Benchmark for Faithful and Consistent Textual Scene Graph Parsing [66.70054075041487]
  画像キャプションをシーングラフに変換する既存のシーングラフは、しばしば2種類のエラーに悩まされる。 まず、生成されたシーングラフはキャプションや対応する画像の真の意味を捉えず、忠実さの欠如をもたらす。 第二に、生成されたシーングラフは一貫性が高く、同じセマンティクスは異なるアノテーションで表される。
  論文  参考訳（メタデータ） (2023-05-27T15:38:31Z)
• iEdit: Localised Text-guided Image Editing with Weak Supervision [53.082196061014734]
  テキスト誘導画像編集のための新しい学習法を提案する。 ソースイメージに条件付けされた画像とテキスト編集プロンプトを生成する。 画像の忠実度、CLIPアライメントスコア、および生成された画像と実際の画像の両方を定性的に編集する点において、画像に対して好ましい結果を示す。
  論文  参考訳（メタデータ） (2023-05-10T07:39:14Z)
• Attention on Classification for Fire Segmentation [82.75113406937194]
  本稿では,画像中の火災の分類とセグメンテーションのための畳み込みニューラルネットワーク(CNN)を提案する。 我々は,空間的自己認識機構を用いて画素間の長距離依存性を捉えるとともに,分類確率を注目重みとして利用する新しいチャネルアテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2021-11-04T19:52:49Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• Domain-invariant Similarity Activation Map Contrastive Learning for Retrieval-based Long-term Visual Localization [30.203072945001136]
  本研究では,多領域画像変換による領域不変特徴抽出のために,確率論的に一般アーキテクチャを定式化する。 そして、より精密な局所化のために、新しい勾配重み付き類似性活性化写像損失(Grad-SAM)を組み込んだ。 CMUSeasonsデータセットにおける提案手法の有効性を検証するために大規模な実験が行われた。 我々の性能は、最先端のイメージベースのローカライゼーションベースラインを中あるいは高精度で上回るか、あるいは上回る。
  論文  参考訳（メタデータ） (2020-09-16T14:43:22Z)

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。