A Feasibility Study on Translation of RGB Images to Thermal Images: Development of a Machine Learning Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The thermal image is an important source of data in the fire safety research area, as it provides temperature information at pixel-level of a region. The combination of temperature value together with precise location information from thermal image coordinates enables a comprehensive and quantitative analysis of the combustion phenomenon of fire. However, it is not always easy to capture and save suitable thermal images for analysis due to several limitations, such as personnel load, hardware capability, and operating requirements. Therefore, it is necessary to have a substitution solution when thermal images cannot be captured in time. Inspired by the success of previous empirical and theoretical study of deep neural networks from deep learning on image-to-image translation tasks, this paper presents a feasibility study on translating RGB vision images to thermal images by a brand-new model of deep neural network. It is called dual-attention generative adversarial network (DAGAN). DAGAN features attention mechanisms proposed by us, which include both foreground and background attention, to improve the output quality for translation to thermal images. DAGAN was trained and validated by image data from fire tests with a different setup, including room fire tests, single item burning tests and open fire tests. Our investigation is based on qualitative and quantitative results that show that the proposed model is consistently superior to other existing image-to-image translation models on both thermal image patterns quality and pixel-level temperature accuracy, which is close to temperature data extracted from native thermal images. Moreover, the results of the feasibility study also demonstrate that the model could be further developed to assist in the analytics and estimation of more complicated flame and fire scenes based only on RGB vision images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle