基于语义分割的次日火灾预测
本文介绍了一种新的任务,即预测未来帧的语义分割,并研发了一种基于自回归卷积神经网络的方法。该方法针对城市街景数据集进行了试验,结果表明,直接预测未来的分割比预测并分割未来的 RGB 帧要好得多,并且可信度更高。
Mar, 2017
本文介绍了如何使用分割深度学习模型预测全球火灾烧伤面积在亚季节时标下的出现情况,并提出了开放访问的全球分析数据立方体,以包含与季节性和亚季节性火灾驱动因素(气候、植被、海洋指数、人类相关变量)有关的各种变量,以及 2001-2021 年历史燃烧面积和野火排放。
Nov, 2022
利用机器学习进行深度学习模型的季节性火灾预报,研究发现在全球范围内,考虑更长时间序列和整合空间信息可以提高火灾预测性能,并建议在更长的预测时限内考虑更大的空间范围以提高预报准确性。
Apr, 2024
本研究制作了一个散装的、大规模的、多变量的基于历史野火的遥感数据集,结合 2D 区域的地形、植被、气象、干旱指数和人口密度等多个自变量,借助机器学习解决了野火蔓延的问题。通过神经网络的预测表现,与逻辑斯蒂二元回归和随机森林算法的比较,展示了该数据集的实用性,成为基于遥感数据开发野火传播模型的标准参考。
Dec, 2021
本文提出了一种新的模型,使用 ConvLSTM 编码观察到的视频帧的时空信息来预测未观察到的未来帧的语义分割图,并扩展了双向 ConvLSTM 来捕获双向的时间信息,该方法在基准数据集上优于其他最先进的方法,为实时决策制定提供了可靠的解决方案。
Jul, 2018
提出了一种基于编码器 - 解码器网络的视频未来语义分割预测方法,使用先前的视频帧,仅利用 RGB 数据,利用知识蒸馏的训练框架预测未来场景的语义分割,并在 Cityscapes 和 Apolloscape 上取得了比基线和现有最先进方法更好的结果。
Apr, 2019
本研究为了实现自主系统对未来的实时预测,将挑战性的语义预测任务分解为两个子任务:当前帧的分割和未来光流的预测,并通过引入流预测网络和特征 - 流聚合 LSTM 层以及可端到端学习的扭曲层来构建高效、有效、低开销的模型,最终实现在短期和移动对象语义预测方面的最新精度,并将模型参数降低了高达 95%,效率提高了 40 倍以上。
Sep, 2018
本文旨在综述计算机视觉技术在防治森林火灾方面的应用现状,尤其是为缺乏领域专业知识的机器学习从业者提供更易获取的专业数据集和方法,以支持相关研究工作的开展。
Dec, 2022
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