[论文解读] Experimental Exploration of Compact Convolutional Neural Network Architectures for Non-temporal Real-time Fire Detection
本文提出了一种基于InceptionV4的紧凑型、低复杂度卷积神经网络（CNN）架构，用于图像和视频中的实时、非时序二值化火灾检测与定位。其在全帧检测中达到96%的准确率，在超像素定位中达到94%的准确率，误报率仅为6%，通过优化的归一化与剪枝技术优于先前的工作。
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.
研究动机与目标
- 开发一种轻量化、实时的CNN架构，用于静态图像和视频中的非时序火灾检测。
- 评估归一化与优化技术对Inception、ResNet和EfficientNet架构下轻量化CNN性能的影响。
- 在最小化误报率的同时实现高检测准确率，以实现火灾区域的精确定位。
- 提供一种鲁棒且高效的解决方案，适用于实时系统中的部署。
提出的方法
- 基于InceptionV4理念设计一种简化复杂度的CNN架构，并通过架构改进提升效率。
- 应用批量归一化及其他归一化技术以稳定训练并提升收敛性。
- 采用剪枝与架构简化方法，在不牺牲性能的前提下降低模型复杂度。
- 在全帧二值化火灾检测与基于超像素的定位任务上评估模型性能。
- 优化超参数与训练协议，以最大化准确率并最小化误报率。
- 在多个CNN变体（包括ResNet与EfficientNet）之间比较性能，以验证所提架构的有效性。
实验结果
研究问题
- RQ1简化复杂度的CNN架构是否能在保持实时推理的同时，实现高准确率的非时序火灾检测？
- RQ2归一化与优化技术如何影响轻量化CNN在火灾检测中的性能表现？
- RQ3在火灾区域定位中，模型复杂度与检测准确率之间的权衡关系如何？
- RQ4所提出的架构是否能在误报率与推理速度方面超越现有模型？
主要发现
- 基于InceptionV4的简化CNN架构在全帧二值化火灾检测中达到96%的准确率。
- 基于超像素的火灾定位准确率达到94%，表明具有精确的空间定位能力。
- 模型实现了6%的低误报率，优于先前工作的相关指标。
- 归一化与优化技术显著提升了所有测试架构下的模型稳定性与性能。
- 紧凑的架构支持实时推理，适用于资源受限系统的部署。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。