Tűzesetek felderítésének új lehetőségei
Absztrakt
A cikkben a tűzesetek és műszaki mentések vizuális információk felhasználásával történő felderítésének új gépi tanulás alapú módszereit vizsgálom meg. A célom az volt, hogy mesterséges intelligencia módszereket felhasználva utcai kameraképek feldolgozásával kinyerjek olyan információkat a képekből, amelyre korábban csak emberek voltak képesek. Ezeket az információkat pedig tűzvédelmi célokra használtam fel, azaz a káresetek automatikus felismerésére. A kutatásom során internetről letöltött képek segítségével
tanítottam egy modellt a tűzesetek, közlekedési balesetek felismerésére. A modellt Python nyelven a Pytorch keretrendszer segítségével valósítottam meg. Az általam létrehozott modell elég robosztus lett ahhoz, hogy automatikusan nagy magabiztossággal felismerje a tűzoltói beavatkozást igénylő eseményeket.
Hivatkozások
https://hu.wikipedia.org/wiki/Big_data
https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neuralnetworks-
the-eli5-way-3bd2b1164a53
https://www.kdnuggets.com/2016/11/intuitive-explanation-convolutional-neuralnetworks.
html/3
Shankar, V., Roelofs, R., Mania, H., Fang, A., Recht, B. & Schmidt, L.. (2020). Evaluating Machine Accuracy on ImageNet. Proceedings of the 37th International Conference on Machine Learning , in Proceedings of Machine Learning Research 119:8634-8644
K. He, X. Zhang, S. Ren and J. Sun, "Deep Residual Learning for Image Recognition," in CVPR, 2016.
Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386–408. https://doi.org/10.1037/h0042519
Yosinski J, Clune J, Bengio Y, Lipson H. How transferable are features in deep neural networks? In: Advances in neural information processing systems, vol 27; 2014.
https://github.com/fastai/fastai
https://hu.wikipedia.org/wiki/Internetprotokoll
Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D. & Batra, D. (2017).
Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization.. ICCV (p./pp. 618-626), : IEEE Computer Society. ISBN: 978-1-5386-1032-9
Ren, S., He, K., Girshick, R. B. & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks.. In C. Cortes, N. D. Lawrence, D. D. Lee, M. Sugiyama & R. Garnett (eds.), NIPS (p./pp. 91-99),
ÁBRAJEGYZÉK
ábra Tűztorony modell Forrás: készítette a szerző
ábra Konvolúciós neurális hálózat
Forrás: https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neuralnetworks-
the-eli5-way-3bd2b1164a53
ábra Konvolúciós neurális hálózat rétegeinek vizualizációja
Forrás: https://www.kdnuggets.com/2016/11/intuitive-explanation-convolutional-neuralnetworks.
html/3
ábra ResNet34
Forrás: K. He, X. Zhang, S. Ren, and J. Sun. Deep residual learning for image recognition.
In Proceedings of the IEEE conferenceon computer vision and pattern recognition, pages
–778, 2016
ábra Perceptron modell
Forrás: https://jameskle.com/writes/neural-networks-101
ábra Lineáris szeparáció
Forrás: készítette a szerző
ábra Néhány kép az ImageNet tanítóhalmazból
Forrás: https://cs.stanford.edu/people/karpathy/cnnembed/
ábra Néhány kép az általam gyűjtött tanítóhalmazból
Forrás: DuckDuckGo.com
ábra ResNet-50 confusion mátrixa
Forrás: készítette a szerző
ábra Ipari forradalmak
Forrás: https://digitalizationindustry.com/hu/2017/07/26/a-negyedik-ipari-forradalom/
ábra Valószínűségek értelmezése
Forrás: Pécsi Hivatásos Tűzoltóság képarchívuma
ábra Valószínűségek értelmezése
Forrás: Goole utcakép
ábra Aktivációs térképek
Forrás: készítette a szerző
ábra R-CNN objetum detektálás
Forrás: https://towardsdatascience.com/faster-rcnn-object-detection-f865e5ed7fc4
