Distinctive Self-Similar Object Detection

要約

深層学習ベースの物体検出は、人工知能の実際の応用において大きな存在感を示しています。
しかし、火や煙などの物体は、非固体で形状が多様であるため、物体検出に課題があり、その結果、実際の防火および制御の要件を真に満たすことが困難になります。
この論文では、火と煙の自己相似の特有のフラクタル特徴が、それらのさまざまな形状に苦戦することから解放されることを提案します。
私たちの知る限り、この問題について議論したのは私たちが最初です。
炎と煙の自己相似性を評価し、物体検出の精度を向上させるために、ハウスドルフ距離を使用してインスタンス間の類似性を記述する半教師あり手法を設計します。
さらに、自己相似の概念に基づいて、この特定のタスクをより公平な方法で評価するための新しい方法論を考案しました。
当社は、YOLO や Faster R-CNN などの確立された代表的なベースライン ネットワークに基づいて、ネットワーク アーキテクチャを綿密に設計しました。
私たちの実験は、公開されている火災および煙検知データセットを使用して実施されており、アプローチの有効性を確認するために徹底的に検証されています。
その結果、検出精度が大幅に向上することが確認されました。

要約(オリジナル)

Deep learning-based object detection has demonstrated a significant presence in the practical applications of artificial intelligence. However, objects such as fire and smoke, pose challenges to object detection because of their non-solid and various shapes, and consequently difficult to truly meet requirements in practical fire prevention and control. In this paper, we propose that the distinctive fractal feature of self-similar in fire and smoke can relieve us from struggling with their various shapes. To our best knowledge, we are the first to discuss this problem. In order to evaluate the self-similarity of the fire and smoke and improve the precision of object detection, we design a semi-supervised method that use Hausdorff distance to describe the resemblance between instances. Besides, based on the concept of self-similar, we have devised a novel methodology for evaluating this particular task in a more equitable manner. We have meticulously designed our network architecture based on well-established and representative baseline networks such as YOLO and Faster R-CNN. Our experiments have been conducted on publicly available fire and smoke detection datasets, which we have thoroughly verified to ensure the validity of our approach. As a result, we have observed significant improvements in the detection accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google