.png){kind=icon}
返回
Interpretable deep one-class model for forest fire detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127657.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
森林火灾以其不可预测性而闻名，导致严重的生态破坏和人类生命损失。为预防火灾，深度二分类模型已广泛应用于基于视觉的森林火灾监控系统，因其强大的模式表示和特征提取性能。现有方法通常优先考虑训练集构建，但忽视了火灾检测中模型的可解释性。此外，为满足深度模型训练所需的大规模样本要求，用户不得不从多样化的火灾和非火灾场景中收集数据。然而，这可能导致火灾识别决策过于宽松，最终导致无法实现早期或远距离的森林火灾检测。本研究提出了一种可解释的深度单类分类（OCC）模型，命名为InDeepOCC（可解释深度OCC），用于森林火灾检测。具体而言，我们将数据分布的理念，例如火灾样本的单峰性，融入模型设计中；然后，我们的模型在单类火灾样本和一些从边界火灾样本邻域自生成的点上训练，旨在获得紧致的决策边界。与当前最优（SOTA）方法相比，我们的优势体现在三个方面：(1) 提出的InDeepOCC模型提供了更优越的可解释性；(2) 更易于使用，因为仅需单一类别的样本；(3) 在小范围火灾火焰检测方面具有更大潜力。最后，我们在公开数据和自行收集的火灾数据上进行了广泛的比较。结果表明，我们的方法优于SOTA，同时实现了更高的火灾检测率和更低的误报率，并具备精细粒度火灾检测能力，甚至能在4x4像素输入的粒度下实现。
Keyword:
Forest fire detection
Error warning
One-class classification
Granularity
Deep learning
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
A Forest Fire Smoke Monitoring System Based on a Lightweight Neural Network for Edge Devices基于轻量级神经网络用于边缘设备的森林火灾烟雾监控系统.png)
Forests
OAAI
ForestsIF0
OAAI分享收藏
分享收藏A non-convex robust small sphere and large margin support vector machine for imbalanced data classification一种非凸鲁棒小球和大间隔支持向量机，用于不平衡数据分类
PREAI
分享收藏Video Fire Detection Methods Based on Deep Learning: Datasets, Methods, and Future Directions基于深度学习的视频火灾探测方法: 数据集、方法和未来方向FIRE-SWITZERLANDOAAI
FIRE-SWITZERLANDIF2.7
OAAI分享收藏
查看更多内容