購物車(0)
連續(xù)圖卷積視頻煙霧檢測模型
關鍵詞：視頻煙霧檢測 煙霧識別 圖卷積網(wǎng)絡 神經(jīng)常微分方程 度量學習
摘要：目的視頻煙霧檢測在火災預警中起到重要作用,目前基于視頻的煙霧檢測方法主要利用結構化模型提取煙霧區(qū)域的靜態(tài)和動態(tài)特征,在時間和空間上對煙霧信息作同等或相似處理,忽略了視頻數(shù)據(jù)在時間線上的連續(xù)性和特征的非結構化關系。圖卷積網(wǎng)絡(GCN)與神經(jīng)常微分方程(ODE)在非歐氏結構與連續(xù)模型處理上具有突出優(yōu)勢,因此將二者結合提出了一種基于視頻流和連續(xù)時間域的圖煙霧檢測模型。方法目前主流的視頻煙霧檢測模型仍以離散模型為基礎,以規(guī)則形式提取數(shù)據(jù)特征,利用ODE網(wǎng)絡構建連續(xù)時間模型,捕捉視頻幀間的隱藏信息,將原本固定時間跨度的視頻幀作為連續(xù)時間軸上的樣本點,充分利用模型的預測功能,補充幀間丟失信息并對未來幀進行一定程度的模擬預測,生成視頻幀的特征并交給圖卷積網(wǎng)絡對其重新建模,最后使用全監(jiān)督和弱監(jiān)督兩種方法對特征進行分類。結果分別在2個視頻和4個圖像數(shù)據(jù)集上進行訓練與測試,并與最新的主流深度方法進行了比較,在KMU(Korea Maritime University)視頻數(shù)據(jù)集中,相比于性能第2的模型,平均正樣本正確率(ATPR值)提高了0.6%;在2個圖像數(shù)據(jù)集中,相比于性能第2的模型,正確率分別提高了0.21%和0.06%,檢測率分別提升了0.54%和0.28%,在視頻單幀圖像集上正確率高于第2名0.88%。同時也在Bilkent數(shù)據(jù)集中進行了對比實驗,以驗證連續(xù)隱態(tài)模型在煙霧動態(tài)和起煙點預測上的有效性,對比實驗結果表明所提連續(xù)模型能夠有效預測煙霧動態(tài)并推測煙霧起煙點位置。結論提出的連續(xù)圖卷積模型,綜合了結構化與非結構化模型的優(yōu)勢,能夠獲得煙霧動態(tài)信息,有效推測煙霧起煙點位置,使煙霧檢測結果更加準確。
中國圖象圖形學報雜志要求:
{1}引用報刊資料，請注明作者姓名、文章標題、刊名、刊期 ；引用書籍資料，請注明作者姓名、書名、出版社、出版時間和頁碼 ；引用互聯(lián)網(wǎng)資料，請注明作者姓名、文獻名、網(wǎng)址和時間。
{2}文章內(nèi)容要求選題新穎、觀點明確、論證嚴謹、數(shù)據(jù)真實、引用準確、文字精煉，有一定的學術性、思想性和創(chuàng)新性。
{3}文題應用最少的文字表達最多的、有價值的信息，盡可能省去“……的研究”，“……的觀察”等無特定意義的詞。
{4}來稿需準確標注參考文獻。本刊采用文末注（對稿件中特定內(nèi)容的解釋說明可采用頁下注），順序編號。著錄格式依照《信息與文獻參考文獻著錄規(guī)則》GB/T7714—2015執(zhí)行。
{5}來稿請詳細注明作者單位、地址、科室、郵編、辦公電話、手機號碼及E-mail。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
