Точная многоклассовая сегментация пожаров: подходы, нейронные сети, схемы сегментации

Обложка

Цитировать

Полный текст

Аннотация

В статье представлено решение задачи многоклассовой сегментации пламени с разделением по цвету горения. Сформулированы математические задачи частичной (без выделения класса фона в отдельный компонент вектора поиска) и полной (с выделением) сегментации. Проведено сравнение сверточных нейросетевых методов классов UNet, Deeplab и их современных вариаций, в том числе метода wUUNet, разработанного специально для рассматриваемой задачи. Сделан акцент на влиянии размера матрицы вычислений сегментации с исходным кадром. Предложены схемы как сегментации с потерями (сжатие кадра до размеров матрицы вычисления с последующим разжатием в исходный), так и без потерь (применяя однооконную схему размера кадра или многооконные схемы его разбиения на сетку подобластей). Отобраны лучшие методы и схемы сегментации с точки зрения качества.

Об авторах

Владимир Сергеевич Бочков

Нижегородский государственный технический университет им. Р. Е. Алексеева

Автор, ответственный за переписку.
Email: vladimir2612@bk.ru

аспирант

Россия, Нижний Новгород

Лилия Юрьевна Катаева

Нижегородский государственный технический университет им. Р. Е. Алексеева

Email: kataeval2010@mail.ru

доктор физико-математических наук, профессор

Россия, Нижний Новгород

Дмитрий Александрович Масленников

Нижегородский государственный технический университет им. Р. Е. Алексеева

Email: dmitrymaslennikov@mail.ru

кандидат физико-математических наук, доцент

Россия, Нижний Новгород

Список литературы

  1. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // 18th international conference. Medical image computing and computer-assisted intervention–MICCAI 2015. Proceedings, part III 18. Munich, Germany: Springer International Publishing, 2015. P. 234-241.
  2. Chen L. C. et al. Encoder-decoder with atrous separable convolution for semantic image segmentation // Proceedings of the European conference on computer vision (ECCV), 2018. P. 801-818.
  3. Bochkov V. S., Kataeva L. Y. WUUNET: Advanced fully convolutional neural network for multiclass fire segmentation // Symmetry. 2021. V. 13. No 1. P. 98.
  4. Saponara S., Elhanashi A., Gagliardi A. Real-time video fire/smoke detection based on CNN in antifire surveillance systems // Journal of Real-Time Image Processing. 2021. V. 18. P. 889-900.
  5. Chen X. et al. Wildland fire detection and monitoring using a drone-collected RGB/IR image dataset // IEEE Access. 2022. V. 10. P. 121301-121317.
  6. Dogan S. et al. Automated accurate fire detection system using ensemble pretrained residual network // Expert Systems with Applications. 2022. V. 203. P. 117407.
  7. Xue Z., Lin H., Wang F. A small target forest fire detection model based on YOLOv5 improvement // Forests. 2022. V. 13. No 8. P. 1332.
  8. Wang Z. et al. A novel fire detection approach based on CNN-SVM using tensorflow // 13th International Conference “Intelligent Computing Methodologies”, ICIC 2017. Proceedings, Part III 13. Liverpool, UK: Springer International Publishing, 2017. P. 682-693.
  9. Wang Z., Peng T., Lu Z. Comparative research on forest fire image segmentation algorithms based on fully convolutional neural networks // Forests. 2022. V. 13. No 7. P. 1133.
  10. Perrolas G. et al. Scalable fire and smoke segmentation from aerial images using convolutional neural networks and quad-tree search // Sensors. 2022. V. 22. No 5. P. 1701.
  11. Zhou Z. et al. Unet++: A nested u-net architecture for medical image segmentation // 4th International Workshop “Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support”, DLMIA 2018 and 8th International Workshop, ML-CDS 2018, Held in Conjunction with MICCAI 2018, Granada, Spain, Proceedings 4. Springer International Publishing, 2018. P. 3-11.
  12. Lin T. Y. et al. Feature pyramid networks for object detection // Proceedings of the IEEE conference on computer vision and pattern recognition, 2017. P. 2117-2125.
  13. Harkat H., Nascimento J., Bernardino A. Fire segmentation using a DeepLabv3+ architecture // Image and signal processing for remote sensing XXVI. SPIE, 2020. V. 11533. P. 134-145.
  14. Kingma D. P., Ba J. Adam: A method for stochastic optimization // arXiv preprint arXiv:1412.6980. 2014.
  15. Loshchilov I., Hutter F. Sgdr: Stochastic gradient descent with warm restarts // arXiv preprint arXiv:1608.03983. 2016.
  16. Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift // International conference on machine learning. pmlr, 2015. P. 448-456.
  17. Jaccard P. Étude comparative de la distribution florale dans une portion des Alpes et des Jura // Bulletin de la Société Vaudoise des Sciences Naturelles. 1901. V. 37. P. 547-579.
  18. Zhu Y. et al. An efficient bicubic interpolation implementation for real-time image processing using hybrid computing // Journal of Real-Time Image Processing. 2022. V. 19. No 6. P. 1211-1223.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).