KutralNet：一种用于火灾识别的便携式深度学习模型
计算机视觉与模式识别
2020-10-20 v1 机器学习
图像与视频处理
摘要
大多数自动火灾报警系统通过热、烟或火焰等传感器检测火灾的存在。该问题的新方法之一是使用图像来执行检测。图像方法很有前景，因为它不需要特定传感器，并且可以轻松嵌入不同设备中。然而，除了高性能之外，所用深度学习方法的计算成本对其在便携式设备上的部署是一个挑战。在这项工作中，我们提出了一种需要更少浮点运算（flops）用于火灾识别的新的深度学习架构。此外，我们提出了一种用于火灾识别的便携式方法，并使用现代技术如倒残差块、深度可分离卷积和 octave 卷积来降低模型的计算成本。实验表明，我们的模型在大幅减少参数数量和 flops 的同时保持了高准确率。我们的一个模型比 FireNet 少 71% 的参数，同时仍具有有竞争力的准确率和 AUROC 性能。所提方法在 FireNet 和 FiSmo 数据集上进行了评估。考虑到所获得的减少的 flops 和参数数量，所得结果对于在移动设备上实现该模型是有前景的。
引用
@article{arxiv.2008.06866,
title = {KutralNet: A Portable Deep Learning Model for Fire Recognition},
author = {Angel Ayala and Bruno Fernandes and Francisco Cruz and David Macêdo and Adriano L. I. Oliveira and Cleber Zanchettin},
journal= {arXiv preprint arXiv:2008.06866},
year = {2020}
}
备注
Accepted in the IEEE International Joint Conference on Neural Networks (IJCNN), 2020