Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Wildfire Detection Using Vision Transformer with the Wildfire Dataset

Created by
  • Haebom

저자

Gowtham Raj Vuppari, Navarun Gupta, Ahmed El-Sayed, Xingguo Xiong

개요

미국, 특히 캘리포니아에서 산불의 빈도와 강도가 증가함에 따라 정교한 탐지 기술의 중요성이 강조되고 있습니다. 2023년 산불로 인해 전국적으로 130명이 사망하여 1990년 이후 최고치를 기록했습니다. 2025년 1월 로스앤젤레스 산불(팔리세이즈 및 이튼 산불 포함)로 약 40,000에이커와 12,000채의 건물이 소실되고 인명 피해가 발생했습니다. 이러한 피해는 효과적인 탐지 및 예방 전략의 시급한 필요성을 강조합니다. Vision Transformers (ViTs)와 같은 심층 학습 모델은 복잡한 이미지 데이터를 높은 정확도로 처리하여 조기 탐지를 향상시킬 수 있습니다. 그러나 고품질의 실시간 데이터 확보, 원격 지역의 제한된 센서 적용 범위, 연기 및 구름 덮개와 같은 환경적 요인으로 인한 탐지 방해, 계산 비용이 많이 드는 심층 학습 모델 훈련, 위양성/위음성 및 확장성 문제, 실시간 경고 메커니즘과의 시스템 통합 어려움 등의 과제가 있습니다. 본 연구에서는 '화재'와 '무화재' 클래스로 분류된 10.74GB의 고해상도 이미지로 구성된 산불 데이터 세트를 사용하여 ViT 모델을 훈련했습니다. 데이터 준비를 위해 이미지 크기를 224 x 224픽셀로 조정하고 텐서 형식으로 변환하며 ImageNet 통계를 사용하여 정규화했습니다.

시사점, 한계점

시사점: Vision Transformers를 활용한 심층 학습 모델이 산불 조기 탐지에 효과적임을 시사합니다. 고해상도 이미지 데이터를 활용한 정확한 탐지 가능성을 보여줍니다.
한계점: 고품질 실시간 데이터 확보의 어려움, 원격 지역의 센서 적용 범위 제한, 환경적 요인(연기, 구름)에 의한 탐지 어려움, 심층 학습 모델 훈련의 높은 계산 비용, 위양성/위음성 문제, 시스템 확장성 문제, 실시간 경고 메커니즘과의 통합 어려움 등이 존재합니다.
👍