用于非时序实时火灾检测的紧凑卷积神经网络架构实验探索
计算机视觉与模式识别
2019-11-21 v1 机器学习
图像与视频处理
摘要
在这项工作中，我们探索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的非时序二分类火灾检测与定位。我们考虑为此任务实验定义的、降低复杂度的深度 CNN 架构的性能，并评估应用于不同 CNN 架构（涵盖 Inception、ResNet 和 EfficientNet 架构理念）的不同优化与归一化技术的效果。与该领域当代趋势相反，我们的工作展示出基于 InceptionV4 理念的实验定义简化 CNN 架构在全帧二分类火灾检测上最高总体准确率为 0.96，在超像素定位上为 0.94。我们显著实现了 0.06 的更低假阳性率，优于该领域先前工作，提出了一种高效、鲁棒且实时的火灾区域检测方案。
引用
@article{arxiv.1911.09010,
title = {Experimental Exploration of Compact Convolutional Neural Network Architectures for Non-temporal Real-time Fire Detection},
author = {Ganesh Samarth C. A. and Neelanjan Bhowmik and Toby P. Breckon},
journal= {arXiv preprint arXiv:1911.09010},
year = {2019}
}