Jun, 2023

工业燃烧器火焰的分割：从传统图像处理到机器学习和深度学习的比较研究

PDF
TL;DR我们对多个二值化方法进行了比较研究，包括全局阈值、区域生长、支持向量机、随机森林、多层感知器、U-Net 和 DeepLabV3 +，评估了工业燃烧器火焰的公共基准数据集。结果表明，深度学习是最准确的方法，而传统图像处理技术则是一个快速和简单的选择。
industrial burner flamesbinary segmentationmachine learningdeep learningimage processing
发现论文，激发创造
  • 鲁棒烧伤区域勾画基于多任务学习

    在本研究中，我们提出了一种多任务学习框架，通过构建一个特定数据集和引入地表覆盖分类作为辅助任务，以提高烧毁区域分割模型的鲁棒性和性能。与标准的二进制分割方法相比，我们的方法在性能上表现出了更好的效果。

    Sep, 2023

  • 烟雾中用专注深度度量学习解析隐藏火焰的 FlameFinder

    FlameFinder 是一个深度度量学习（DML）框架，利用消防员无人机的热像图在野火监测过程中准确检测烟火，即使被烟雾遮挡。它通过使用配对的热 - RGB 图像进行训练来解决传统 RGB 相机在这种条件下的困难，并利用等效热域分布来分析被烟雾遮挡的火焰特征，从而提高了性能。该框架结合了火焰分割方法和 DML 辅助检测框架，通过引入注意机制和不同损失函数，改进了模型的性能和可解释性。在未被遮挡的火焰检测准确性方面，该模型超过了 FLAME2 数据集的基线 4.4％和 FLAME3 数据集的基线 7％，与 VGG19、ResNet18 和其他针对火焰检测设计的三个骨干模型相比，在被遮挡的场景中展示出更好的类别分离效果。

    Apr, 2024

  • 利用深度学习进行图像分割：综述

    本文综述了关于图像分割的研究，特别关注了基于深度学习模型的语义分割和实例分割方法，包括全卷积像素标定网络、编码器 - 解码器架构、多尺度与基于金字塔的方法、循环神经网络、视觉注意力模型和对抗生成模型。我们探讨了这些深度学习模型的相似性，能力和挑战，并讨论了未来的研究方向。

    Jan, 2020

  • 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

  • 基于深度学习技术的热感人脸图像分类

    这篇论文提出了一个实用的深度学习方法，用于热像分类，该方法利用卷积神经网络（CNN）架构（特别是 ResNet-50 和 VGGNet-19）从热像中提取特征，并在热输入图像上应用卡尔曼滤波进行图像去噪，实验结果证明了该方法在准确性和效率方面的有效性。

    Nov, 2023

  • 深度学习图像分割技术理解

    本研究从分析角度探讨深度学习技术在图像分割领域的应用，以提升读者对各种图像分割方法内部机理的直观理解。

    Jul, 2019

  • 热成像图像中热损失识别的分割框架：为苏格兰改造和热像测量公司赋能

    使用深度学习方法基于热像图的分割框架，自动识别与剪裁导致能量损耗的热量损失源，并消除图像中的障碍物，从而减少人力繁重的任务，并提供自动化、一致且可靠的解决方案，以准确衡量苏格兰住宅中的能量损失。

    Aug, 2023

  • 从 CNN 到 Transformer：医学图像分割模型综述

    在这篇论文中，我们对近年来最具代表性的四种医学图像分割模型进行了调查。我们从理论上分析了这些模型的特点，并在两个基准数据集（结核病胸部 X 射线和卵巢肿瘤）上定量评估了它们的性能。最后，我们讨论了医学图像分割领域的主要挑战和未来趋势。我们的工作可以帮助相关领域的研究人员快速建立针对特定区域的医学分割模型。

    Aug, 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

  • 基于无人机图像的废矽片描绘的传统方法与深度学习方法的比较评估

    基于图像的矿山废弃物堆积物表征的优化，利用远程获取的数据和深度学习方法，通过各种分割方法的比较分析，展示了基于形态学和深度学习方法的高准确性和高效率，推动了矿山环境中基于图像的堆积物表征技术的应用。

    Feb, 2024