MmodalFire: Un conjunto de datos multimodal continuo que comprende video y datos de detección física para detectar...

Área de la Ciencia:

• Ciencias de la Computación
• Ingeniería
• Ciencias de la Seguridad

Sus antecedentes:

• Los conjuntos de datos multimodales son cruciales para avanzar en la tecnología de detección de incendios.
• Los conjuntos de datos existentes carecen de los datos sincronizados e integrales necesarios para el desarrollo de algoritmos robustos.

Objetivo del estudio:

• Presentar el conjunto de datos MmodalFire, un novedoso recurso multimodal para la investigación de detección de incendios en interiores.
• Proporcionar un punto de referencia estandarizado para entrenar y evaluar algoritmos de detección de incendios.

Principales métodos:

• Se recopilaron 65 videos sincronizados y seis tipos de datos de sensores físicos (densidad de humo, temperatura, radiación IR/UV).
• Se aseguró la diversidad de datos variando la velocidad del viento, la iluminación, la interferencia y la oclusión.
• Se etiquetaron todas las secuencias de datos como incendio o no incendio.

Principales resultados:

• El conjunto de datos MmodalFire permite la evaluación integral de la detección multimodal de incendios.
• Se probaron modelos de fusión de línea base y modelos de fusión dinámica novedosos en el conjunto de datos.
• Se estableció una línea base de rendimiento para la detección multimodal de incendios en entornos controlados.

Conclusiones:

• El conjunto de datos MmodalFire aborda la necesidad de datos multimodales en la investigación de detección de incendios.
• Facilita el desarrollo y la validación de algoritmos avanzados de detección de incendios.
• Promueve la investigación adicional en la fusión de sensores multimodales para mejorar la seguridad contra incendios.