A lightweight four-channel multi-modal model to improve computational performance of automated fire detection
Notice bibliographique
Résumé
The urgent need for advanced fire detection methods stems from the increased intensity of fire incidents, which cause massive property loss and irreversible damage. To overcome the limitations of traditional fire detection methods, such as those of smoke detectors, fire detection based on computer vision (CV) algorithms has been adopted to improve detection accuracy. Compared to single-modal fire detection, multi-modal fire detection has gained attention because it leverages the richer information present in both RGB and thermal images. However, prevalent multi-modal fire detection methods significantly increase model complexity by requiring two separate streams in the backbone to process RGB and thermal images independently. To address this issue, this paper proposes a four-channel single-stream fire detection method based on YOLOv5, which concatenates RGB and thermal images to form the required four-channel input. Comparison experiments with dual-stream YOLOv5 models using add fusion and transformer fusion demonstrate that the four-channel single-stream model reduces model complexity while improving detection accuracy. To further enhance detection accuracy and reduce model complexity, this study redesigned YOLOv5′s C3 module by integrating the convolutional block attention module (CBAM) to form the C3CBAM module and introduced the SCYLLA-IoU (SIoU) loss function. By comparing its performance with that of state-of-the-art (SOTA) models in multi-modal object detection, such as the YOLOv5-based dual-stream model, this study shows that the proposed approach improves detection in the diverse conditions presented in the selected 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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».