An Improved Forest Fire and Smoke Detection Model Based on YOLOv5
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 fires are destructive and rapidly spreading, causing great harm to forest ecosystems and humans. Deep learning techniques can adaptively learn and extract features of forest fires and smoke. However, the complex backgrounds and different forest fire and smoke features in captured forest fire images make detection difficult. Facing the complex background of forest fire smoke, it is difficult for traditional machine learning methods to design a general feature extraction module for feature extraction. Deep learning methods are effective in many fields, so this paper improves on the You Only Look Once v5 (YOLOv5s) model, and the improved model has better detection performance for forest fires and smoke. First, a coordinate attention (CA) model is integrated into the YOLOv5 model to highlight fire smoke targets and improve the identifiability of different smoke features. Second, we replaced YOLOv5s original spatial pyramidal ensemble fast (SPPF) module with a receptive field block (RFB) module to enable better focus on the global information of different fires. Third, the path aggregation network (PANet) of the neck structure in the YOLOv5s model is improved to a bi-directional feature pyramid network (Bi-FPN). Compared with the YOLOv5 model, our improved forest fire and smoke detection model at mAP@0.5 improves by 5.1%.
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