Jun, 2023

基于迁移学习的野火检测：一项调查

PDF
TL;DR本文调查了不同的公开神经网络模型，这些模型使用安装于山顶或森林瞭望塔上的常规可见光相机来检测野火。在 ImageNet-1K 上预训练并在自定义野火数据集上微调后，评估了这些模型在不同野火图像上的性能，并提供了有关使用迁移学习进行野火检测的有用信息。Swin Transformer-tiny 具有最高的 AUC 值，但 ConvNext-tiny 在我们的数据集中检测到了所有的野火事件，并具有最低的误报率。
发现论文，激发创造
  • 野火危险度预测的迁移学习优化

    该研究利用卷积神经网络（CNN）和迁移学习技术分析地理空间数据，特别是用于识别受野火影响的区域，并结合加拿大火险指数（FWI）评估湿度条件，通过建立一个 0 至 5 的火险级别量表与天气模式动态连接，实现了大规模烧毁区域的准确识别，为预测和减轻火灾提供了实时实用的方法。

    Mar, 2024

  • 基于新型机器学习框架的多模态森林火灾预测和个性化预警系统

    本研究开发了一种多模式野火预测和个性化早期警告系统，该系统基于先进的机器学习框架，使用来自环境保护局的传感器数据和 2012 年至 2018 年的历史野火数据，成功设计了新型的 U-Convolutional-LSTM 神经网络，能够提取与迫在眉睫的野火相关的关键时空特征。此外，地质数据被用于提供更好的野火风险评估。最终，为个有感官障碍或呼吸恶化症状的人提出了个性化早期警告系统，旨在为危险地区的居民提供更好的准备，从而挽救生命并减少经济损失。

    Aug, 2022

  • 利用时间远程感知数据上的自监督学习进行快速野火热点检测

    通过利用卫星网络和先进的人工智能模型来自动检测火点（即活跃火灾引起的热异常），以实时构建野火监测系统，本研究提出了一个包含欧洲火灾相关的遥感数据时间序列和基于自我监督学习的模型，能够分析多时相数据并在潜在实时中识别火点。使用我们的数据集和包含几次火灾事件的 Thraws 数据集，训练和评估了我们模型的性能，得到了 63.58 的 F1 分数。

    May, 2024

  • 利用计算机视觉进行野火烟雾检测

    研究显示使用人工智能、机器学习和计算机视觉，采取早期检测措施可以帮助检测火灾并减少灾害风险，其中，YOLOv7 是一个有效的算法来训练物体检测模型，可在初期火灾烟柱的早期探测中得到良好的效果。

    Jan, 2023

  • 运用实用 UNets 提升主动火灾检测

    为了更好地监测和控制日益增多的全球各地的林火，这项研究提出了一种新的名为 Operational U-Nets 的方法。基于卫星图像的监测和检测已经成为处理森林和公共土地的活性火灾的至关重要的手段。

    Apr, 2023

  • 热图像校准和修正的非配对循环一致对抗网络

    本文介绍了一种提高当前航拍野火数据集质量的方法，旨在适应相机技术的进步，并提出了一种基于 CycleGAN 的流程以及一种新颖的融合方法，通过将配对的 RGB 图像作为属性调节器集成到两个方向的生成器中，从而提高了生成图像的准确性。

    Jan, 2024

  • 野火检测的半监督领域自适应

    基于半监督领域自适应的野火检测新协议，利用具有教师 - 学生基础框架的定位感知物体检测实现翻译方差特征提取，性能明显优于现有基准测试集 HPWREN 的源模型基线平均精度 3.8%。

    Apr, 2024

  • 网络提前探测野火

    用于野火检测的基于网络爬虫的数据集 Pyro，含视频和手动边界框注释，经过数据质量和多样性筛选得到 1 万张图像，使用最先进的物体检测模型进行实验，发现该数据集具有挑战性，并结合其他公共数据集能够获得更好的结果。我们将代码和数据公开供使用。

    Feb, 2024

  • 利用无人机捕捉的烟雾模式进行野火火焰时序分析的隐蔽检测

    本文提出了一种利用 RGB 相机和语义分割等技术实时探测被树木、烟雾、云等自然障碍物掩盖的野火的方法，并将此方法应用于无人机上以实现精准灭火。

    Jun, 2023

  • 使用 U-Net 和 Landsat 图像进行可扩展的烧毁区域制图的两种方法

    利用远程感知技术与人工智能方法，以提高实时、高分辨率的火灾监测为目标，本研究探讨了两种基于 U-Net 模型的自动化烧毁区域绘图方法，分别为 128 和 AllSizes (AS) 模型，在智利两个容易发生火灾的地区利用 Landsat 影像和时间序列数据进行训练与应用，实验证明 AS 模型在增加数据集平衡性方面能够取得更好的性能。

    Nov, 2023