.png){kind=icon}
返回
Bayesian Optimization-Aided Hybrid Deep Learning Model for Lightweight UAV-Based Smoke Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2025.3578445.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无人驾驶航空器（UAVs）在各种应用中发挥着关键作用，包括检测环境危害，例如火灾烟雾检测。然而，UAVs有限的计算能力和电池寿命构成了部署复杂人工智能（AI）模型于机载的障碍。为应对这一挑战，我们提出了一种新颖的混合深度学习框架，用于UAVs执行轻量级且高效的烟雾检测。该框架结合了用于初始图像评估的轻量级模型和用于不确定情况选择性处理的深度模型。采用贝叶斯优化来确定激活深度模型的最优阈值，在准确性和计算效率之间取得平衡。所提出的方法消除了对云服务器的连接需求，实现了机载决策。实验结果表明，混合框架在显著减少处理时间和深度模型的调用次数的同时，保持了高精度。该框架的适应性和鲁棒性使其适用于资源受限环境中的实时烟雾检测应用。
Keyword:
Bayesian optimization
deep learning
edge computing
Internet of Things (IoT)
smoke detection
uncrewed aerial vehicle (UAV)
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
Deep Attention Neural Network for Multi-Label Classification in Unmanned Aerial Vehicle Imagery深度注意神经网络在无人机影像多标签分类中的应用.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Implementation of Lightweight Convolutional Neural Networks with an Early Exit Mechanism Utilizing 40 nm CMOS Process for Fire Detection in Unmanned Aerial Vehicles利用40 nm CMOS工艺实现具有早期退出机制的轻量级卷积神经网络在无人机中的火灾探测SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容