[論文レビュー] Experimental Exploration of Compact Convolutional Neural Network Architectures for Non-temporal Real-time Fire Detection

C A Ganesh Samarth, Neelanjan Bhowmik+1 more|arXiv (Cornell University)|Nov 20, 2019

Fire Detection and Safety Systems参考文献 28被引用数 10

ひとこと要約

本稿では、InceptionV4をインspirationとして、リアルタイムで非時系列の火災検出と局所化を実現するコンパクトで低複雑性のCNNアーキテクチャを提案する。フルフレーム検出では96%の精度、スーパーピクセル局所化では94%の精度を達成し、6%の低誤検出率を実現。最適化された正規化およびプルーニング技術により、先行研究を上回る性能を発揮する。

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.

研究の動機と目的

• 静止画像および動画における非時系列火災検出を目的とした軽量でリアルタイムなCNNアーキテクチャの開発。
• Inception、ResNet、EfficientNetアーキテクチャを対象に、低複雑性CNNにおける最適化および正規化技術の影響の評価。
• 火災領域の局所化において高い検出精度を実現するとともに、誤検出を最小限に抑えること。
• リソース制約のあるシステムへの実装に適した、強固で効率的なソリューションの提供。

提案手法

• 効率性を向上させるために、アーキテクチャ的変更を施したInceptionV4のコンセプトに基づく低複雑性CNNアーキテクチャの設計。
• 訓練の安定化と収束の向上を目的としたバッチ正規化およびその他の正規化技術の適用。
• 性能を損なわずにモデルの複雑性を低減するため、プルーニングとアーキテクチャの簡素化を実施。
• フルフレーム二値火災検出およびスーパーピクセルベースの局所化タスクにおけるモデルの評価。
• ハイパーパramータおよびトレーニングプロトコルの最適化により、精度の最大化と誤検出の最小化を図る。
• ResNetおよびEfficientNetを含む複数のCNNバリアントとの性能比較を通じて、提案アーキテクチャの有効性を検証。

実験結果

リサーチクエスチョン

• RQ1 低複雑性CNNアーキテクチャは、リアルタイム推論を維持しながらも、非時系列火災検出で高い精度を達成できるか？
• RQ2 正規化および最適化技術は、火災検出における軽量CNNの性能にどのように影響を与えるか？
• RQ3 火災領域の局所化において、モデルの複雑性と検出精度のトレードオフは何か？
• RQ4 提案アーキテクチャは、誤検出率および推論速度の面で既存のモデルを上回ることができるか？

主な発見

• InceptionV4に基づく低複雑性CNNアーキテクチャは、フルフレーム二値火災検出で96%の精度を達成した。
• スーパーピクセルベースの火災局所化は94%の精度に達し、正確な空間的局所化を示した。
• 低誤検出率6%を達成し、この指標において先行研究を上回った。
• 正規化および最適化技術は、テストされたすべてのアーキテクチャにおいて、モデルの安定性と性能を顕著に向上させた。
• コンパクトなアーキテクチャにより、リアルタイム推論が可能となり、リソース制約のあるシステムへの実装に適している。