EXPERIMENTALLY DEFINED CONVOLUTIONAL NEURAL NETWORK ARCHITECTURE VARIANTS FOR NON-TEMPORAL REAL-TIME

这是一篇October 7-10, 2018.发表于IEEE International Conference on Image Processing (ICIP)的一篇文章，作者提供了一种基于CNN的实时视频火焰检测。文章获取地址为：https://github.com/lixiaokai666/CVpaper

摘要：

论文成果：实时了视频实时火灾监测，且速度大大提升，准确率高达93%，在superpixel上定位准确度可达到89%（超像素就是把一幅原本是像素级(pixel-level)的图，划分成区域级(district-level)的图，具体可自行查阅）

论文使用的方法：分别对AlenNet和Inception进行了去层操作，减少了CNN的复杂度

正文：

首先介绍了目前火灾检测的用途十分广泛，可以被用在公共安全未来还可能用于交通工具中。

其次介绍了传统的火灾检测方法：

1. purely colour based approach
2. a combination of colour and high-order temporal information

之前的工作主要关注点在颜色域上，后来关注火焰的变化，上升到傅里叶域，未来将上升到Hidden Markov Model problem（馬可夫模型）。
传统的方法，In general these works report ~98-99% (truepositive) detection at 10-40 frames per second (fps) on relatively  small image sizes。（不知道有这么高的精度为何还需要深度学习方法，可能是和image size有关？）

最近考虑将机器学习的分类方法用于火焰检测问题。大多都基于火焰动态和运动特性来检测的，本文提出一种不需要考虑上下文信息的方案。

方法：

2.1 使用了低复杂度的CNN网络结构
2.2 operating on single image inputs (non-temporal) experimentally optimized for the fire detection task  不依赖于上下文信息的检测
2.3 This is then expanded into a superpixel based localization approach to offer a complete detection solution将其推广至superpixel中，提供一个完整的检测方法。

2.1网络结构

作者对AlexNet，VGG16和Inception网络进行了对比选择，最终作者通过不知道什么实验，确认了AlexNet和Inception网络更好。

 

 

对于AlexNet，考虑了六种不同的情况：

C1-C6 as follows: C1 removed layer 3  only, C2 removed layers 3，4。C3 removed layers 3; 4; 5 , C4removed layers 6  only, C5 removed layers 3; 4; 6  and C6 removed layer 2  only. C7表示没改动的AlexNet。结果如下左图所示：

对于InceptionV1，有八种情况，we consider eight variationsto the architectural configuration by removing up to 8 inception modules from the original configuration of 9 present。结果如右图所示，9表示未删减版。

从图中能看出，C2准确率高且相对参数较少，右图3便显得较好，only three inception modules is the variation with the fewest parameters which retains performance in the highest band。

作者使用了25%的训练集，发现CNN的C2和AlexNet的C7会产生过拟合，且随着复杂度增加也会产生过拟合所以作者提出来了下面的网络

FireNet：

InceptionV1-OnFire结构：

2.3 超级像素superpixel定位

结合了传统的方法，这里不过多介绍

实验结果：

True Positive Rate (TPR)，False Positive Rate (FPR)，F-score (F), Precision (P) and accuracy (A)

 

结论：速度快，精度高。