[논문 리뷰] Experimental Exploration of Compact Convolutional Neural Network Architectures for Non-temporal Real-time Fire Detection

C A Ganesh Samarth, Neelanjan Bhowmik외 1명|arXiv (Cornell University)|2019. 11. 20.

Fire Detection and Safety Systems참고 문헌 28인용 수 10

한 줄 요약

이 논문은 실시간 비시계적 이진 화재 탐지 및 영상에서의 위치 특정을 위한 InceptionV4를 영감으로 삼은 컴act하고 복잡도가 낮은 CNN 아키텍처를 제안한다. 전체 프레임 탐지에서 96%의 정확도와 슈퍼픽셀 위치 특정에서 94%의 정확도를 달성하였으며, 6%의 낮은 거짓 양성률을 기록하여 최적화된 정규화 및 자르기 기법을 통해 이전 연구를 능가한다.

ABSTRACT

In this work we explore different Convolutional Neural Network (CNN) architectures and their variants for non-temporal binary fire detection and localization in video or still imagery. We consider the performance of experimentally defined, reduced complexity deep CNN architectures for this task and evaluate the effects of different optimization and normalization techniques applied to different CNN architectures (spanning the Inception, ResNet and EfficientNet architectural concepts). Contrary to contemporary trends in the field, our work illustrates a maximum overall accuracy of 0.96 for full frame binary fire detection and 0.94 for superpixel localization using an experimentally defined reduced CNN architecture based on the concept of InceptionV4. We notably achieve a lower false positive rate of 0.06 compared to prior work in the field presenting an efficient, robust and real-time solution for fire region detection.

연구 동기 및 목표

• 정적 영상과 비디오에서 비시계적 화재 탐지를 위한 경량화되고 실시간 동작이 가능한 CNN 아키텍처를 개발하기.
• Inception, ResNet, EfficientNet 아키텍처 전반에 걸쳐 감소된 복잡도를 가진 CNN에 최적화된 정규화 및 최적화 기법의 영향을 평가하기.
• 화재 영역 위치 특정에서 높은 탐지 정확도를 달성하면서 거짓 양성률을 최소화하기.
• 실시간 시스템에 구현 가능한 강력하고 효율적인 솔루션을 제공하기.

제안 방법

• 효율성을 위해 아키텍처적 수정을 가한 InceptionV4 개념을 기반으로 한 감소된 복잡도의 CNN 아키텍처 설계.
• 학습 안정성 향상과 수렴성 향상을 위해 배치 정규화 및 기타 정규화 기법 적용.
• 모델 복잡도를 성능 손실 없이 줄이기 위해 자르기와 아키텍처 단순화 기법 사용.
• 전체 프레임 이진 화재 탐지 및 슈퍼픽셀 기반 위치 특정 작업에 대해 모델 평가.
• 정확도를 극대화하고 거짓 양성률을 최소화하기 위해 초모수 및 학습 프로토콜 최적화.
• ResNet 및 EfficientNet를 포함한 여러 CNN 변종 간 성능 비교를 통해 제안된 아키텍처의 타당성 입증.

실험 결과

연구 질문

• RQ1 감소된 복잡도를 가진 CNN 아키텍처는 실시간 추론을 유지하면서도 비시계적 화재 탐지에서 높은 정확도를 달성할 수 있는가?
• RQ2 정규화 및 최적화 기법은 화재 탐지에서 경량 CNN의 성능에 어떤 영향을 미치는가?
• RQ3 화재 영역 위치 특정에서 모델 복잡도와 탐지 정확도 사이의 상충 관계는 어떠한가?
• RQ4 제안된 아키텍처는 거짓 양성률과 추론 속도 측면에서 기존 모델을 능가할 수 있는가?

주요 결과

• InceptionV4 기반으로 제안된 감소된 CNN 아키텍처는 전체 프레임 이진 화재 탐지에서 96%의 정확도를 달성하였다.
• 슈퍼픽셀 기반 화재 위치 특정은 94%의 정확도를 기록하여 정밀한 공간적 위치 특정 능력을 입증하였다.
• 낮은 거짓 양성률 6%를 기록하여 이 분야의 이전 연구를 이길 만큼 이 기준에서 뛰어난 성능을 보였다.
• 정규화 및 최적화 기법은 테스트된 모든 아키텍처에서 모델의 안정성과 성능 향상에 중대한 영향을 미쳤다.
• 작은 아키텍처는 실시간 추론을 가능하게 하여 자원 제약이 있는 시스템에 구현하기에 적합하다.