Apr, 2023

FSDNet-YOLOv3和DenseNet基础上复杂场景下高效的火灾检测网络

HTML
PDF
TL;DR本研究提出了一种名为FSDNet的火灾烟雾检测网络，使用了CIoU损失函数和MS-FS数据集，并在基本特征提取模块中引入了密集连接结构，以增强骨干网的特征提取能力和缓解梯度消失问题，并在火灾检测模块中引入了空间金字塔池化结构来全面提高火焰特征提取能力。实验结果表明，该方法在两个基准数据集上的精度分别为99.82％和91.15％，在MS-FS数据集上的平均精度为86.80％比主流的火灾检测方法更好。
发现论文，激发创造
  • 自相似的独特火灾与烟雾检测

    通过使用Hausdorff距离来评估自相似性，并相应地定制损失功能以提高烟雾和火焰的检测准确性，我们提出了一种通用的基于几何特征的标签标准。我们在常用的物体检测基线网络上的实验已经验证了我们的方法是有效的，并将检测精度提高了2.23％。

    Nov, 2022

  • 利用计算机视觉进行野火烟雾检测

    研究显示使用人工智能、机器学习和计算机视觉，采取早期检测措施可以帮助检测火灾并减少灾害风险，其中，YOLOv7是一个有效的算法来训练物体检测模型，可在初期火灾烟柱的早期探测中得到良好的效果。

    Jan, 2023

  • 运用实用 UNets 提升主动火灾检测

    为了更好地监测和控制日益增多的全球各地的林火，这项研究提出了一种新的名为Operational U-Nets的方法。基于卫星图像的监测和检测已经成为处理森林和公共土地的活性火灾的至关重要的手段。

    Apr, 2023

  • 利用无人机捕捉的烟雾模式进行野火火焰时序分析的隐蔽检测

    本文提出了一种利用RGB相机和语义分割等技术实时探测被树木、烟雾、云等自然障碍物掩盖的野火的方法，并将此方法应用于无人机上以实现精准灭火。

    Jun, 2023

  • 使用红外和热成像融合进行火灾场景的实时人体检测

    该论文提出了一种基于烟雾引起的低能见度场景中的热红外成像融合策略的人体检测系统，通过多摄像机处理收集重要信息，融合提取的特征输入轻量级深度神经网络进行人体检测任务，实验表明该方法在合理速度下能够以95%的[email protected]值取得良好性能。

    Jul, 2023

  • 使用YOLOv5从图像和视频中进行火灾检测

    通过改进的YOLOv5火灾检测深度学习算法，可以有效地处理室内、室外和森林火灾图像中的火灾目标检测，并且可以在不同的自然光照条件下进行火灾检测。

    Oct, 2023

  • FireMatch: 基于一致性和分布对齐的半监督视频火灾检测网络

    基于半监督学习的火灾检测模型FireMatch，结合了一致性正则化和对抗分布对齐，通过伪标签和视频增强等技术，扩展训练数据量，提高了分类性能和模型鲁棒性，实验结果表明该方法在真实火灾数据集上的准确率显著优于当前最先进的半监督分类方法。

    Nov, 2023

  • 利用交叉对比图块嵌入进行野火烟雾检测

    本研究提出了基于Swin Transformer的Cross Contrast Patch Embedding(CCPE)模块，用于提取烟雾特征，并引入了Separable Negative Sampling Mechanism(SNSM)解决了烟雾检测中的标签混淆问题。同时，通过发布迄今最大的真实火灾测试集RealFire Test，对所提出的方法进行了广泛测试和评估，并与基线检测模型进行了显著性能改进的比较。

    Nov, 2023

  • SegNet：一种基于分段的深度学习卷积神经网络方法用于无人机野火检测

    通过提出适用于无人机/无人机图像的分割神经网络（SegNet）选择方法，该研究旨在缩短特征图以显着提高实时野火检测的处理速度和准确性，从而为全球野火检测增加了实时检测能力、野火检测准确性以及早期野火检测的能力。

    Feb, 2024

  • FireLite：利用迁移学习在资源限制环境中实现高效消防检测

    本研究解决了在运输行业中，因资源限制而无法有效部署火灾检测模型的问题。提出的FireLite是一个低参数卷积神经网络，具有高达98.77%的准确率和极低的计算要求。该模型的精确性和高效性使其成为资源受限环境中火灾检测的有力解决方案。

    Sep, 2024