Toward Energy-Efficient Deep Neural Networks for Forest Fire Detection in an Image
Notice bibliographique
Résumé
Forest fires cause huge losses and are a serious problem facing many countries worldwide, including the USA, Canada, Brazil, Siberia, and Indonesia, to name a few. Automatic identification of forest fires in an image is thus an important field to research in order to minimize disasters while also helping in mitigation planning and designing rescue tactics. Artificial Intelligence technologies, especially deep neural networks, have emerged recently with promises to detect fires with better accuracy from an image. However, the massive energy consumption of deep neural networks thwarts their widespread adoption, especially when it comes to onsite detection of fire utilizing low-power devices such as those embedded in a drone or an artificial satellite. In this paper, we develop multiple deep neural network models such as a Convolutional Neural Network (CNN), a Deep Belief Network (DBN), an Auto Encoder (AEnc), and a U-net model to detect forest fires and systematically analyze their accuracy and energy consumption using IEEE FLAME Dateset which is openly available at IEEE data portal. After developing the models, we systematically pruned the models, retrained them, and analyzed their accuracy and energy consumption upon deployment. Our analysis shows that the CNN has the highest accuracy (almost 99%) on the validation data set, whereas the DBN model consumes the least amount of energy after deploying on both CPU and GPU. The trained models are deployed on a website for use. The source code can be found on GitHub (https://github.com/akdasUAF/ForestFireDetection).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».