摘要写出自己严峻的森林火灾背景下做出的研究:首先构建数据集、提出目标检测模型AENet、语义分割MCCNet、分割模型 MaskSU R-CNN
第一张绪论
各地灾害情况引出防止自然森林火灾的重要性与意义,简述现研究的难点
国内外的研究现状:基于传统方法的林火识别技术(卫星遥感:通道阈值法、异常值检测法以及归一化多波段光谱指数法、航空巡护:传感器提供的视角确定火灾位置、规模以及扩散情况、近地监测:瞭望塔监测、无线传感器监测以及视频监控)
计算机视觉基于深度学习方法,做研究综述,从图像分类和目标检测、深度分割三个研究方向简述研究成果,用召回率、准确率的数据并进行简单分析
简述自己主要研究内容,具体写针对以上方法的不足提出的解决方案。正对解决问题以及改进做出技术路线图并简述论文结构
第二章,深度学习相关理论基础。本章简单介绍了深度学习领域的相关基础知识,包括卷积神经网络及其下游任务,比如图像分类、目标检测、深度分割等,为后续章节中林火识别模型的构建和优化提供理论基础。
将理论学习分为,卷积神经网络、深度学习分类、目标检测、深度分割原理开始叙述。
卷积神经网络构成,卷积层从定义,运算过程叙述,池化层从定义,操作叙述,参数学习定义以及原理。
深度分类网络学习:重点讲了残差网络以及Inception 网络,残差网络的原理已经结构图展示,Inception 网络的原理以及模块结构图,以及改进版本Xception 网络的深度可分离卷积的结构块展示
目标检测以单阶段的 YOLO 和两阶段的 Faster R-CNN 为例,yolo主要写yolov5结构,从
输入层、主干网络、特征金字塔层以及预测层进行分析
CSPDarknet 作为主干网络的特点:1、大量的残差结构2、Focus 网络结构3、SiLU 激活函数4、空间金字塔池化SPP,最后简述运算原理。
Faster R-CNN的多种主干网络可变性,以ResNet为例的卷积块和恒等映射块,简述工作原理。
深度分割分为主干网络模块和分割模块,主干的特征提取,分割的特征加强(包括注意力机制,特种上下文融合、边界监督等)以语义分割模型 UNet、DeepLabv3+以及实例分割模型 Mask R-CNN为例,简述网络结构和特点
unet全卷积工作原理及运用
实现像素级分类,适用于医学
DeepLabv3+深度可分离卷积引入到了空洞空间金字塔池化aspp,主干网络压缩特征层的空洞卷积,简述原理及图解
Mask R-CNN区域卷积神经网络的工作原理,简述mask-rcnn在Faster R-CNN基础上的改进,
做出小结
第三章,航拍林火数据集的构建。针对目前高质量航拍林火数据集严重缺乏的问题,
本章通过无人机自采集和视频分帧的方法,建立了一个较为完整的航拍林火数据集,并对
所收集的数据进行人工标注以适应后续不同的下游任务。此外,考虑到模型容易产生过拟
合的问题,采用了多种数据增强方法,为后续实验提供可靠的数据基础。
使用cl数据集、FLAME 数据集中提取代表样本荣恶化,数据集具有独有火灾特征以及特殊性。
做视频分帧后
林火检测做LabelImg 工具数据标注,使用 PascalVOC 格式数据标签进行数据分布,
林火分割做Labelme 工具标注,用特殊处理图像标签。
做Mosaic 数据增强并做数据增强前后对比、Mixup 数据增强做前后对比
第四章,基于 AENet 模型的森林火灾检测研究。针对目前通用检测模型在航拍林火检
测任务上存在性能欠佳等问题,本章从模型层面、数据层面以及损失层面对现有模型进行
优化,设计了林火检测模型 AENet。最后,通过与其它深度检测网络的实验结果进行对比,
验证了本文 AENet 在林火检测任务上的优越性。
首先提出模型结构,做框架图解
做主干网络的计算过程图解,并做详细介绍,指出模型的创新之处以及优势。
特征融合层的思想原理,以及简述演变过程和优点,重点是模型在原FPN上做出的改进。
注意力机制为cbam,工作原理,简述优点,
特征增强用空洞卷积:多分支卷积层和多分支平均池化层
多分支卷积层由空洞卷积、批归一化层和 ReLU 激活函数,简述能力优点(增大感受野范围、克服了较小火点目标和细节信息的丢失)多分支平均池化层平衡特征表示,避免大量计算。
预测层及特征解码的特征原理,做回归前后对比图和nms做回归示例。
损失函数:林火分类损失 Cls_Loss、林火边界框回归损失 Reg_Loss、林火置信度损失 Conf_Loss 以及Focal_Loss组成对每种损失函数做函数图解
开始实验结果分析,确定评价指标精确率(Precision)、召回率(Recall)、F1 值以及平均精
度均值(mAP)并做定义详解
K-means 算法对林火标注框进行聚类,将聚类前后的实验框大小数据做对比,体现优势
进行模型实现细节展示,记录训练以及验证过程中的损失函数曲线作对比,并做实验结果分析
常见模型做对比,(精度对比和模型大小速度详解和检测误差),并对实验检测的图片进行分析检测情况,做不同模型的检测图片对比,重点对误检漏检情况做统计分析。
突出设计模型的优势,常规消融实验分析,做量化结果表格,最后总结
第五章,基于 MCCNet 模型的森林火灾语义分割研究。上一章节设计的林火检测模型
是对火点个体进行粗粒度的区分,无法实现像素级的细粒度区分,因此本章设计了林火分
割模型 AENet。相比于检测模型,分割模型更加有助于了解林火的动态变化,比如火灾边
缘细节、蔓延趋势以及森林受灾面积等。最后,通过大量的实验对比,验证了本文 MCCNet
在林火分割任务上的有效性。
简述多尺度上下文对比结构网络(MCCNet)的总体框架,并做图解
重点在特征提取模块Xception,对比主流分类网络的优势,并介绍对Xception修改,体现修改优势,并做优化前后的网络结构对比
介绍语义分割过程原理,对多尺度上下文对比结构和密集金字塔池化模块,分类辅助和特征融合模块适用于林火检测做介绍,并简述过程和原理
最后设计损失函数为分类损失 CE_Loss 和样本相似度损失 Dice_Loss,做函数解析
最后用mPA 和 mIoU指标分析实验结果
并做训练、验证损失曲线分析,并与主流cnn框架模型比较,
并对各个模型火点分割图像做图像对比展示,并针对图片分割细节做可视化分析,对视频效果也做连续帧分析
进行消融实验,针对变体的表格详解,和实验数据展示,针对损失函数的不同权重也做对比结果展示和训练曲线对比分析突出设计模型的优势,最后总结
第六章,基于 MaskSU R-CNN 模型的森林火灾实例分割研究。前两章的林火识别研究
分别针对的是火灾个体和火灾像素。本章将采用统一的框架,对林火检测和林火分割实现
多任务处理。在现有实例分割模型 MS R-CNN 的基础上,采用 U 形网络重构其 MaskIoU
分支,进一步提升掩膜分割质量。最后,通过实验对比,分析本文优化方法的可行性。
MaskSU R-CNN模型构建,也就是在Mask R-CNN 模型上的改进:重点在利用 UNet 网络对 MS R-CNN 的 MaskIoU 分支进行重构,做征提取网络、区域候选网络以及多分支预测网络的模型组成图解
对特征网络的ResNet101主干网络简述,并对区域候选、兴趣匹配层以及多分支预测网络做原理解释,网络结构各层卷积核、步长输出的表格展示
损失函数用RPN 损失(RPNL )由分类损失(Softmax Loss)和边界框回归损失(SmoothL1 Loss)
多分支损失(Mul branchL − )由 4 个分支训练损失组成,包括分类损失(Softmax Loss)、边界
框回归损失(SmoothL1 Loss)、掩膜损失(Mask Loss)以及质量评估损失(MaskIoU Loss)
每个损失函数都要做函数解析,突出函数优势
用精确率(Precision)、召回率(Recall)、F1 值以及平均交并比(mIoU)做评价指标,对模型训练结果进行分析
训练验证损失曲线对比分析,测试图像的检测结果对比分析,并与其他模型比较,突出优势,展示指标数据
最后正对火点分割情况总结分析
第七章,总结与展望。本章主要针对研究中所使用的林火数据集、林火识别模型的构
建等内容进行了总结,提出了目前工作中仍存在的不足之处以及后续亟待解决的问题,并
对未来可能的解决方案进行了展望。