迁移学习与定制VGG及CNN-SVM模型在野火检测中的综合对比分析
计算机视觉与模式识别
2024-11-14 v1 人工智能
摘要
当代人工智能（AI）和机器学习（ML）研究高度重视迁移学习，展示了其在提升跨领域模型性能方面的变革潜力。本文考察了迁移学习在野火检测背景下的效率和有效性。将三个专门构建的模型——视觉几何组（VGG）-7、VGG-10和卷积神经网络（CNN）-支持向量机（SVM）CNN-SVM——与三个预训练模型——VGG-16、VGG-19和残差神经网络（ResNet）ResNet101——进行了严格比较。我们使用一个捕捉了野火复杂性的数据集来训练和评估这些模型，该数据集包含了诸如不同光照条件、一天中的时间和多样化地形等变量。目标是辨别迁移学习在解决野火检测问题的复杂性方面，相对于从头训练的模型表现如何。通过评估包括准确率、精确率、召回率和F1分数在内的性能指标，获得了对该特定领域中迁移学习优缺点的全面理解。本研究为正在进行的讨论提供了宝贵见解，并为人工智能和机器学习研究的未来方向提供了指导。
引用
@article{arxiv.2411.08171,
title = {Comprehensive and Comparative Analysis between Transfer Learning and Custom Built VGG and CNN-SVM Models for Wildfire Detection},
author = {Aditya V. Jonnalagadda and Hashim A. Hashim and Andrew Harris},
journal= {arXiv preprint arXiv:2411.08171},
year = {2024}
}
备注
In Proc. of the 2024 IEEE International Conference On Intelligent Computing in Data Sciences