FireWarn: Fire Hazards Detection Using Deep Learning Models
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
Hazardous situations such as house, car, or forest fires may be recorded by cameras long before they are identified by people. To test whether deep learning could be used to quickly detect fires, we performed a series of experiments to detect the presence of fire or smoke in images and labeled them with bounding boxes. Two custom datasets were created in this research: a fire image classification dataset, and a fire and smoke detection and localization dataset. The first one only classifies the whole image, while the detection set further provides information about where the fire or smoke is within the image. We explore the efficacy of a basic convolutional classification neural network, which proved effective for fire classification, but show that pretrained classification models such as ResNet improves the accuracy when classifying fire and non-fire images. The pretrained model achieves 97.14% testing accuracy on our fire classification dataset. For fire detection and localization, three models were trained on images of fire and smoke to find and label the regions of interest. Results show that Faster R-CNN did not perform very well on fire detection and localization, while EfficientDet and YoloV5 performed much better. Moreover, YoloV5 using low resolution images also performed well on smoke detection and localization, which is more difficult than fire. YoloV5 achieved an average precision of 46.6 on our fire and smoke detection dataset.
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) | 0,000 | 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