FireLite：利用迁移学习在资源受限环境中实现高效火灾检测
计算机视觉与模式识别
2024-10-01 v1
摘要
火灾风险极其危险，尤其是在交通行业等领域，由于政治动荡导致其发生几率增加。通过采用 IP cameras 在交通车辆上部署火灾检测系统，可主动预防火灾事件造成的损失。然而，由于摄像机中的嵌入式系统计算资源受限，亟需开发轻量级火灾检测模型。为此，我们提出 FireLite——一个面向资源受限场景的低参数卷积神经网络（CNN），用于快速火灾检测。该模型在达到98.77%的准确率的同时，仅拥有34,978个可训练参数，性能卓越。它显示出8.74的验证损失，并在精确率、召回率和F1分数等指标上达到峰值98.77%。凭借其精准性与高效性，FireLite是资源受限环境中火灾检测的有前景的解决方案。
引用
@article{arxiv.2409.20384,
title = {FireLite: Leveraging Transfer Learning for Efficient Fire Detection in Resource-Constrained Environments},
author = {Mahamudul Hasan and Md Maruf Al Hossain Prince and Mohammad Samar Ansari and Sabrina Jahan and Abu Saleh Musa Miah and Jungpil Shin},
journal= {arXiv preprint arXiv:2409.20384},
year = {2024}
}