Depth-Homography Registration Framework and YOLOv8n-Coordinate Attention Forest Fire Detection for Visible-Infrared UAV Imagery
Notice bibliographique
Résumé
A novel depth-homography model for Infrared (IR) and Visible (RGB) images registration and YOLOv8n-CoordAttn detection model for wildfire detection are presented. In low-light and smoke-occluded conditions, fire detection using IR images performs better than RGB images, while RGB images may still complement IR information as heat radiation around the fire makes the fire boundary blurry in the thermal imagery. Hence, fire detection based on image fusion between IR and RGB images is a more reliable approach. For image alignment between these two modalities, camera calibration is widely used, while in this work, an innovative depth-homography model as a simpler and yet precise alternative is presented, which estimates the homography matrix for an arbitrary depth with which the image alignment is conducted. Moreover, YOLOv8n-CoordAttn is presented, where YOLOv8n is augmented with Coordinate Attention modules. This detection model predicts bounding boxes of fire spots based on multispectral IR-RGB images, aiming to improve accuracy while still conducting inference in real-time. Also, outdoor flight tests using a DJI M300 UAV equipped with an H20T camera system in daytime and nighttime are carried out to gather IR-RGB datasets for training and evaluating the depth-homography and YOLOv8n-CoordAttn detection models, whose video demonstration is available at https://www.youtube.com/watch?v=Hq6X-FcUVss.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».