森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多...森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多视角可见光图像森林火灾高点检测数据集FFHPV(forest fire of high point view),旨在增强模型对多视角火点知识的学习能力;其次,引入全维动态卷积,构建空间金字塔池化层(OD-SPP),以此提升模型针对多视角数据的火点特征提取能力;最后,引入具有动态非单调聚焦机制的边界框定位损失函数Wise-IoU(wise intersection over union),降低低质量数据对模型精度的影响,提高小目标火点的检测能力.实验结果表明:所提出的FFD-YOLO方法相较于YOLOv7,精度提高3.9%,召回率提高3.7%,均值平均精度提高4.0%,F1分数提高0.038;同时,在与YOLOv5、YOLOv8、DDQ(dense distinct query)、DINO(detection transformer with improved denoising anchor boxes)、Faster R-CNN、Sparse R-CNN、Mask R-CNN、FCOS和YOLOX的对比实验中,FFD-YOLO具有最高的精度75.3%、召回率73.8%、均值平均精度77.6%和F1分数0.745,验证了该方法的可行性与有效性.展开更多
针对室内兴趣点(point of interest,POI)显著度评价问题,提出了一种基于数据平衡的随机森林(random forest,RF)模型。鉴于现有模型在处理数据不均衡及模拟显著度与影响指标之间复杂非线性关系方面的局限性,聚焦视觉、语义和结构三大维度...针对室内兴趣点(point of interest,POI)显著度评价问题,提出了一种基于数据平衡的随机森林(random forest,RF)模型。鉴于现有模型在处理数据不均衡及模拟显著度与影响指标之间复杂非线性关系方面的局限性,聚焦视觉、语义和结构三大维度,构建了包含34项特征的指标体系。通过合成少数类过采样技术(synthetic minority over-sampling technique,SMOTE)有效缓解数据不平衡和基于重要性权重的特征优化,形成了随机森林评价模型。实验结果表明,该模型在室内POI数据集上展现出卓越的性能,其准确率、精确度、召回率、加权F1分数和曲线下面积分别达到了0.987、0.984、0.987、0.987和0.999;与未进行数据均衡处理的RF模型相比,性能提升了一倍;与其他模型(如支持向量机、遗传规划算法)相比,性能分别提升了15%和5%,且在测试集上也显示出了良好的泛化性能。展开更多
文摘森林火点检测在林火应急救援中起着至关重要的作用.鉴于现有模型在样本质量、多尺度检测以及多视角图像泛化能力方面存在不足,以YOLOv7为基础,提出一种森林火点目标检测方法FFD-YOLO(forest fire detection based on YOLO).首先,构建多视角可见光图像森林火灾高点检测数据集FFHPV(forest fire of high point view),旨在增强模型对多视角火点知识的学习能力;其次,引入全维动态卷积,构建空间金字塔池化层(OD-SPP),以此提升模型针对多视角数据的火点特征提取能力;最后,引入具有动态非单调聚焦机制的边界框定位损失函数Wise-IoU(wise intersection over union),降低低质量数据对模型精度的影响,提高小目标火点的检测能力.实验结果表明:所提出的FFD-YOLO方法相较于YOLOv7,精度提高3.9%,召回率提高3.7%,均值平均精度提高4.0%,F1分数提高0.038;同时,在与YOLOv5、YOLOv8、DDQ(dense distinct query)、DINO(detection transformer with improved denoising anchor boxes)、Faster R-CNN、Sparse R-CNN、Mask R-CNN、FCOS和YOLOX的对比实验中,FFD-YOLO具有最高的精度75.3%、召回率73.8%、均值平均精度77.6%和F1分数0.745,验证了该方法的可行性与有效性.
