Adversarial Robustness for Deep Learning-based Wildfire Prediction Models

要約

急速に成長する山火事は最近、社会資産を荒廃させ、救援活動を促進するために早期警告システムの重要なニーズを明らかにしています。
カメラベースのディープニューラルネットワーク（DNNS）を使用した煙検出は、山火事予測のための有望なソリューションを提供します。
ただし、時間と空間にわたる煙の希少性は、トレーニングデータを制限し、モデルの過剰適合とバイアスの懸念を引き起こします。
現在のDNNは、主に畳み込みニューラルネットワーク（CNNS）と変圧器が、建築の違いにより堅牢性の評価を複雑にしています。
これらの課題に対処するために、山火事検出モデルの敵対的堅牢性を評価するための最初のモデルに依存しないフレームワークであるWarp（Wildfire敵対的堅牢性手順）を紹介します。
ワープは、画像グロバルとローカルの摂動を通じて敵対的な例を生成することにより、データの多様性に固有の制限に対処します。
グローバルおよびローカル攻撃は、それぞれガウスノイズとPNGパッチを画像入力に重ね合わせます。
これは、現実的な敵対的なシナリオを生成しながら、CNNと変圧器の両方に適しています。
ワープを使用して、リアルタイムのCNNとトランスを評価し、重要な脆弱性を明らかにしました。
時には、変圧器は世界的な攻撃の下で70％以上の精密分解を示しましたが、両方のモデルは一般に、局所攻撃中に雲のようなPNGパッチを実際の煙と区別するのに苦労していました。
モデルの堅牢性を高めるために、煙イメージデータを多様化し、モデルの精度と堅牢性を向上させる、ワープの方法論と結果に基づいて、野火指向の4つのデータ増強技術を提案しました。
これらの進歩は、信頼できる初期の山火事警告システムを開発するための実質的なステップを表しています。

要約(オリジナル)

Rapidly growing wildfires have recently devastated societal assets, exposing a critical need for early warning systems to expedite relief efforts. Smoke detection using camera-based Deep Neural Networks (DNNs) offers a promising solution for wildfire prediction. However, the rarity of smoke across time and space limits training data, raising model overfitting and bias concerns. Current DNNs, primarily Convolutional Neural Networks (CNNs) and transformers, complicate robustness evaluation due to architectural differences. To address these challenges, we introduce WARP (Wildfire Adversarial Robustness Procedure), the first model-agnostic framework for evaluating wildfire detection models’ adversarial robustness. WARP addresses inherent limitations in data diversity by generating adversarial examples through image-global and -local perturbations. Global and local attacks superimpose Gaussian noise and PNG patches onto image inputs, respectively; this suits both CNNs and transformers while generating realistic adversarial scenarios. Using WARP, we assessed real-time CNNs and Transformers, uncovering key vulnerabilities. At times, transformers exhibited over 70% precision degradation under global attacks, while both models generally struggled to differentiate cloud-like PNG patches from real smoke during local attacks. To enhance model robustness, we proposed four wildfire-oriented data augmentation techniques based on WARP’s methodology and results, which diversify smoke image data and improve model precision and robustness. These advancements represent a substantial step toward developing a reliable early wildfire warning system, which may be our first safeguard against wildfire destruction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google