火焰检测网络(October, 2018,ICIP)
论文名
Experimentally Defined Convolutional Neural Network Architecture Variants for Non-temporal Real-time Fire Detection
简介
这是一篇October, 2018.发表于IEEE International Conference on Image Processing (ICIP)的一篇文章,作者提供了一种基于CNN的实时视频火焰检测算法。这篇论文最大的特点是通过实验验证的方法,分别对AlenNet和InceptionV1进行了去层操作,减少了CNN的复杂度,来提升模型速度,将模型处理速度提升到17帧每秒,二值(是/否)全局火焰检测的准确率能够达到93%,超像素局部火焰区域识别的准确率能够达到89%
网络结构
(1)实验验证方法
作者对AlexNet,VGG16和InceptionV1网络进行了对比选择,并将火焰检测数据输入这三个网络进行训练,最后得出AlexNet和Inception网络更好
然后,再对AlexNet网络考虑了六种不同的情况:C1去掉了第三层;C2去掉了第三,四层;C3去掉了三,四,五层;C4只去掉了第六层;C5去掉了三,四,六层;C6去掉了第2层,并将火焰检测数据输入这六个网络进行训练,最后比较结果。
对于InceptionV1,有八种变化后网络,第九为未改动网络,通过从现有9个配置中删除最多8个初始模块来考虑架构配置的8个变化,再进行结果比较,比较图如下
从比较结果得出,C2准确率高且相对参数较少,右图3便显得较好,于是作者便从C2和3入手,构建了两个火焰检测网络FireNet和InceptionV1-OnFire网络
(2)FireNet网络结构
FireNet基于C2 Alexnet配置,输入图像尺寸为2242243,它只包含三个大小分别为64、128和256的卷积层,卷积核大小分别为5×5、4×4和1×1。每个卷积层之后是一个最大池化层,核大小为3×3。这组卷积层后面是两个全连接层,每个层有4096维,并使用tanh激活。在训练过程中,keep值为0.5的Dorpout应用于这两个全连接层,以降低过拟合问题。最后,用一个全连接层,将4096维通道变为2维通道再用Softmax激活输出,使用了交叉熵损失函数。
(3)InceptionV1-OnFire
InceptionV1-OnFire是基于使用一个简化的InceptionV1结构,输入图像尺寸为2242243,和InceptionV1相同只有三个连续的起始模块。每个单独的模块遵循与原始模型相同的结构,使用前三个模块,其链接方式与完整的inceptionv1体系结构相同,keep值为0.4的Dorpout应用于最后的全连接层再采用Softmax激活输出,使用了交叉熵损失函数
(4)Superpixel-InceptionV1-OnFire
结构和InceptionV1-OnFire相同,只是先将图像用简单线性迭代聚类(SLIC)分为很多超像素块,再用训练好的检测模型对每个超像素块进行检测,达到FireNet和InceptionV1-OnFire都不能做到的火焰超像素区域识别
结果比较
(1)火焰检测结果比较
从表1和表2可以看出InceptionV1-OnFire在精度和InceptionV1相同的情况下,参数量明显小于InceptionV1,每秒检测的帧数也是InceptionV1的4倍。同样,FireNet也是精度和AlexNet相同的情况下每秒检测的帧数也是InceptionV1的4倍
(2)火焰超像素区域识别结果
由表3可以得出,Superpixel-InceptionV1-OnFire的效果略差于Chenebert的研究,但是Superpixel-InceptionV1-OnFire拥有在CNN网络参数少和速度的优势,具体优势如何在文中没有提及。(复现测试后效果并不理想,因为SLIC非常耗时,是真心的慢啊)
总结
该论文主要是通过实验改善了网络模型结构,从而达到降低模型参数,给模型加速的目的,但在火焰检测准确率方面和经典网络相差无几。在火焰区域检测方面和传统的检测方法没有区别,都是用简单线性迭代聚类(SLIC)算法得出火焰区域。
但是在该论文复现测试的过程中发现如下问题:
(1)加入火焰区域识别算法以后,前期网络结构改善带来的速度优势不复存在,速度变得非常慢,大约在1-3帧每秒
(2)小目标无法检测
(3)打火机产生的火焰无法检测
推测是由于用于训练的数据集中没有打火机产生的这种无风状态下比较稳定的火焰,导致算法无法检测出打火机的火焰
检测失败
检测成功
总的来说这篇文章没有太多的创新之处,超像素的区域识别感觉只是用来完善文章内容的,因为前面只是提到了火焰检测的速度优化
火焰检测网络(October, 2018,ICIP)相关推荐
- 基于视觉的烟雾/火焰检测数据集整理(检测、识别、分割)
基于传感器的火灾预警系统,比较适用于较小空间. 随着视觉技术的发展,基于视觉的火灾预警系统,更适用于对森林等大范围场景进行 远距离监控1. 当前的烟雾火焰检测系统中,采用机器学习的视觉技术暂未广泛替代 ...
- 计算机视觉算法——目标检测网络总结
计算机视觉算法--目标检测网络总结 计算机视觉算法--目标检测网络总结 1. RCNN系列 1.1 RCNN 1.1.1 关键知识点--网络结构及特点 1.1.2 关键知识点--RCNN存在的问题 1 ...
- 部署NanoDet实现火焰检测
作者:Azure 出处:https://www.cnblogs.com/azureology/p/14103685.html 前言# 距离Nvidia推出Jetson Nano开发板已经有一段时间 在 ...
- 基于matab GUI的图形处理火焰检测系统
编辑 换一个视频得到数据结果 网络和多媒体技术的普及,红外图像中的火焰检测 识别技术的科研价值在各领域得到充分展现.防灾救灾方面,红外图像中的火焰检测 识别技术能够迅速确定和锁定被灰尘遮盖的地震.矿难 ...
- 大数据毕设项目 深度学习火焰检测识别 python opencv
文章目录 0 前言 1 基于YOLO的火焰检测与识别 2 课题背景 3 卷积神经网络 3.1 卷积层 3.2 池化层 3.3 激活函数: 3.4 全连接层 3.5 使用tensorflow中keras ...
- 计算机视觉算法——基于Anchor Free的目标检测网络总结
计算机视觉算法--基于Anchor Free的目标检测网络总结 计算机视觉算法--基于Anchor Free的目标检测网络总结 1. CornerNet 1.1 关键知识点--网络结构及特点 1.2 ...
- 目标检测网络指标mAP的测试的python实现
背景:实现相应的目标检测网络需要能够测试mAP 目的:实现mAP的测试. 参考代码:https://github.com/Cartucho/mAP#create-the-ground-truth-fi ...
- ICCV2019 | 旷视提出轻量级目标检测网络ThunderNet
ICCV2019 | 旷视提出轻量级目标检测网络ThunderNet 本文作者:Liyang 作者学校:复旦大学 论文地址:https://arxiv.org/pdf/1903.11752.pdf 源 ...
- 基于深度学习的火焰检测系统(YOLOv5清新界面版,Python代码)
摘要:火焰检测系统用于检测日常是否出现火情,支持图片.视频.摄像头等多方式检测火焰.实现火灾警报功能,提供了登录注册界面.在介绍系统实现原理的同时,给出部分Python的实现代码以及PyQt的UI界面 ...
最新文章
- VS生成时复制文件到指定目录
- 别把 Gateway 不当一回事!
- Apache开启Gzip压缩,LAMP网页压缩
- 算法每日学打卡:java语言基础题目打卡(19-21)
- Oracle 11gR2 使用 RMAN duplicate from active database 复制数据库
- CPU方案简介UIS8190 - LTE CAT.1模块
- c程序隐藏linux,linux 下隐藏进程的一种方法
- iOS 设置系统音量和监听系统音量变化
- oracle中包含用什么函数,oracle中包含用什么函数 oracle数据包含有什么函数?
- 服务式GIS实践与发展——REST 服务
- d盘信号灯超时时间已到_20下教师资格证笔试成绩什么时候公布?今年面试是什么时候?这些时间节点抢先了解!...
- PTA离散数学集合论自测(有答案)
- ROS主从机通信经验总结
- 数字孪生城市的2个技术关键点 优锘ThingJS
- Spark Sql练习之疫情简单分析
- 苹果app没删但是桌面找不到
- 【计算机视觉】张正友棋盘格标定法
- txt文件中生成立体字或图案网站
- Java由今天的日期得到前几天的日期
- Revit二次开发——revit怎么给桥梁加钢筋