EmergencyNet：基于空洞卷积特征融合的无人机应急监测高效航拍图像分类
计算机视觉与模式识别
2021-04-30 v1 机器学习
机器人学
摘要
基于深度学习的算法可为无人机（UAV）/无人机等遥感技术提供最先进的精度，潜在地增强其用于诸多应急响应与灾害管理应用的遥感能力。特别地，配备相机传感器的无人机可在偏远且难以进入的灾区作业，分析图像并在出现倒塌建筑、洪水或火灾等各类灾害时发出警报，以更快减轻其对环境与人口的影响。然而，深度学习的引入带来沉重计算需求，阻碍此类深度神经网络部署于许多对推理施加低延迟约束、以实时制定关键任务决策的情景。为此，本文聚焦于从无人机载端进行高效的应急响应/监测航拍图像分类。具体地，引入了一个面向应急响应应用的专用航拍图像数据库，并对现有方法作了对比分析。通过该分析提出了一种轻量卷积神经网络架构，称为EmergencyNet，其基于空洞卷积处理多分辨率特征，并能在低功耗嵌入式平台上高效运行，相较现有模型实现高达20倍性能提升且内存需求极小，与SOTA模型相比精度下降不足1%。
引用
@article{arxiv.2104.14006,
title = {EmergencyNet: Efficient Aerial Image Classification for Drone-Based Emergency Monitoring Using Atrous Convolutional Feature Fusion},
author = {Christos Kyrkou and Theocharis Theocharides},
journal= {arXiv preprint arXiv:2104.14006},
year = {2021}
}
备注
C.Kyrkou and T. Theocharides, "EmergencyNet: Efficient Aerial Image Classification for Drone-Based Emergency Monitoring Using Atrous Convolutional Feature Fusion," in IEEE J Sel Top Appl Earth Obs Remote Sens. (JSTARS), vol. 13, pp. 1687-1699, 2020. arXiv admin note: substantial text overlap with arXiv:1906.08716