<meter id="nrvjl"><i id="nrvjl"><video id="nrvjl"></video></i></meter>
<meter id="nrvjl"><i id="nrvjl"><video id="nrvjl"></video></i></meter><dfn id="nrvjl"><i id="nrvjl"></i></dfn>
<dfn id="nrvjl"></dfn>
<meter id="nrvjl"><i id="nrvjl"><video id="nrvjl"></video></i></meter>
<font id="nrvjl"></font>
<dfn id="nrvjl"></dfn>
<dfn id="nrvjl"></dfn>
<dfn id="nrvjl"></dfn>
<font id="nrvjl"><ruby id="nrvjl"></ruby></font>
<dfn id="nrvjl"></dfn><meter id="nrvjl"></meter>
<font id="nrvjl"></font>
<font id="nrvjl"><dl id="nrvjl"><noframes id="nrvjl">
  • 關 鍵 字:
  •  
行業協會

您的位置:行業協會 > 行業資訊 >

行業資訊

合成圖像增強深度域適應的視頻感煙探測

作者:信息室 來源:信息室 瀏覽次數: 日期:2021-11-24 打印

合成圖像增強深度域適應的視頻感煙探測

作者Gao Xu, Qixing Zhang, Gaohua Lin, Jinjun Wang, Yongming Zhang

摘要:本文提出了一種用于提取煙氣特征的深度域適應視頻煙氣探測方法。由于煙氣圖像樣本在尺寸及多樣性上的限制,我們系統地開發了具有多種煙氣形狀、背景及照明條件的合成煙氣圖像用于深度CNN訓練。考慮合成與真實煙氣圖像之間的外觀差距(數據集偏差),完全由真實圖像集開展試驗會導致訓練模型性能顯著下降,我們建立了基于域適應的深層架構,混淆合成與真實煙氣圖像的特征提取分布。

該方法拓寬了煙氣圖像樣本的域不變特征空間。相比于直接使用合成和真實圖像數據集的訓練模型,利用非吸煙圖像特征分布訓練模型的識別率顯著提高。通過開展實驗,不同設計選擇的深度架構被應用于感煙探測器中。最終框架可乎的關于試驗集的滿意度結果。相信該方法具有強健的魯棒性,并能提供視頻感煙探測的新方向。

關鍵詞:合成煙氣圖像、深度架構、域適應、特征分布



現役グラビアアイドルAV解在线