Forest Fire Recognition Based on Feature Extraction from Multi-View Images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Forest fire recognition is important to the protection of forest resources. To effectively monitor forest fires, it is necessary to deploy multiple monitors from different angles. However, most of the traditional recognition models can only recognize single-source images. The neglection of multi-view images leads to a high false positive/negative rate. To improve the accuracy of forest fire recognition, this paper proposes a graph neural network (GNN) model based on the feature similarity of multi-view images. Specifically, the correlations (nodes) between multi-view images and library images were established to convert the input features of graph nodes into the correlation features between different images. Based on feature relationships, the image features in the library were updated to estimate the node similarity in the GNN model, improving the image recognition rate of our model. Furthermore, a fire area feature extraction method was designed based on image segmentation, aiming to simplify the complex preprocessing of images, and effectively extract the key features from images. By setting the threshold in the hue-saturation-value (HSV) color space, the fire area was extracted from the images, and the dynamic features were extracted from the continuous frames of the fire area. Experimental results show that our method recognized forest fires more effectively than the baselines, improving the recognition accuracy by 4%. In addition, the multi-source forest fire data experiment also confirms that our method could adapt to different forest fire scenes, and boast a strong generalization ability and anti-interference ability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle