面向非时序实时火灾检测的高效紧凑卷积神经网络架构
计算机视觉与模式识别
2020-10-20 v1 机器学习
摘要
自动视觉火灾检测用于补充传统的火灾检测传感器系统（烟雾/热量）。在这项工作中，我们研究了不同的卷积神经网络（CNN）架构及其变体，用于视频（或静态）图像中火灾像素区域的非时序实时边界检测。通过实验分析提出了两种降低复杂度的紧凑 CNN 架构（NasNet-A-OnFire 和 ShuffleNetV2-OnFire），以优化该任务的计算效率。结果改进了当前最先进的火灾检测方案，在全帧二分类上达到 95% 的准确率，在超像素定位上达到 97% 的准确率。我们显著实现了二分类 2.3 倍、超像素定位 1.3 倍的分类加速，运行帧率分别为 40 fps 和 18 fps，优于该领域先前的工作，提出了一种高效、鲁棒且实时的火灾区域检测方案。随后在低功耗设备（Nvidia Xavier-NX，通过 ShuffleNetV2-OnFire 实现全帧分类 49 fps）上的部署表明，我们的架构适用于各种现实世界的部署应用。
引用
@article{arxiv.2010.08833,
title = {Efficient and Compact Convolutional Neural Network Architectures for Non-temporal Real-time Fire Detection},
author = {William Thomson and Neelanjan Bhowmik and Toby P. Breckon},
journal= {arXiv preprint arXiv:2010.08833},
year = {2020}
}