Suniy intellekt va neyron tarmoqlari

---

Suniy intellekt va neyron tarmoqlari
207-21 Mio‘ gurux talabasi
Qodirjonov Umidjon
Fire detection

---

•
Ushbu ishda biz vaqtinchalik sahna ma'lumotlariga tayanmasdan, real vaqt oralig'ida video 
(yoki harakatsiz) tasvirlarda yong'in pikseli hududlarini avtomatik aniqlashni tekshiramiz. 
Ushbu sohadagi oldingi ishlarning kengayishi sifatida biz eksperimental ravishda aniqlangan, 
Ushbu vazifa uchun chuqur konvolyutsion neyron tarmog'i (CNN) arxitekturalari murakkabligi
kamaytirildi.Sohadagi zamonaviy tendentsiyalardan farqli o'laroq, bizning ishimiz butun
tasvirni ikkilik yong'inni aniqlash uchun maksimal 0,93 aniqlikni ko'rsatadi (1), superpiksel
lokalizatsiya tizimi doirasida 0,89 aniqlikka erishish mumkin. (2), murakkabligi sezilarli
darajada kamaygan tarmoq arxitekturasi orqali.Bu qisqartirilgan arxitekturalar qoʻshimcha
ravishda hisoblash unumdorligini 3-4 baravar oshirishni taʼminlaydi, bu esa vaqtinchalik
maʼlumotlardan mustaqil boʻlgan zamonaviy apparatda 17 kadr/s gacha ishlov berish
imkonini beradi (1).Biz real vaqt rejimida yong‘in hududini maksimal darajada aniqlashni
ko‘rsatish uchun benchmark ma’lumotlar to‘plamidan foydalangan holda oldingi ishlarga
nisbatan erishilgan nisbiy samaradorlikni ko‘rsatamiz.
•
(1) InceptionV1-OnFire CNN modeli (2) yordamida SP-InceptionV1-OnFire CNN modeli

---

•
Sohadagi zamonaviy tendentsiyalardan farqli o'laroq, bizning ishimiz
kontseptsiyaga asoslangan eksperimental ravishda aniqlangan qisqartirilgan
CNN arxitekturasidan foydalangan holda to'liq kvadrat ikkilik yong'inni
aniqlash uchun (3) 0,96 va superpiksel lokalizatsiyasi uchun 0,94 (4) 
maksimal umumiy aniqlikni ko'rsatadi. InceptionV4. Biz yong'in hududini
aniqlash uchun samarali, mustahkam va real vaqt rejimida yechimni taqdim
etgan oldingi ishlarga nisbatan 0,06 pastroq noto'g'ri ijobiy ko'rsatkichga
erishdik."
•
(3) InceptionV4-OnFire CNN modeli (4) yordamida SP-InceptionV4-OnFire 
CNN modeli

---

•
Oddiy qilib aytganda, bizning toʻliq kadrli ikkilik aniqlash ( FireNet, InceptionV1-OnFire, InceptionV3-
OnFire, InceptionV4-OnFire ) arxitekturalarimiz tasvir ramkasida global miqyosda yongʻin mavjudligini
aniqlaydi, superpikselga asoslangan yondashuvlar esa ( SP-InceptionV1-OnFire, SP-InceptionV3-) OnFire, 
SP-InceptionV4-OnFire ) ramka ichidagi lokalizatsiyani ta'minlash uchun freymni segmentlarga ajratadi
va har bir superpiksel segmentida tasniflashni amalga oshiradi.
•
Ushbu omborda qog'oz(lar)dagi ikkilik (to'liq kadr) aniqlash modellariga mos
keladigan firenet.pyva fayllar mavjud. inceptionVxOnFire.pyBundan tashqari, superpixel-
inceptionVxOnFire.pyfayl qog'oz(lar)dagi superpikselga asoslangan kadr ichidagi yong'in
lokalizatsiyasiga mos keladi.
•
Ushbu skriptlardan foydalanish uchun oldindan o'rgatilgan tarmoq modellari tarmoq vazni
ma'lumotlarini o'z ichiga olgan download-models.shqo'shimcha katalog yaratadigan qobiq skripti
yordamida yuklab olinishi kerak (Linux/MacOS-da). modelsShu bilan bir qatorda, oldindan tayyorlangan
tarmoq modellarini va undan qo'lda yuklab olishingiz mumkin. ularni modelspython fayllari bilan bir
joyda chaqirilgan katalogga .
•
Superpikselga asoslangan yondashuv superpikselga asoslangan yong'inni aniqlash va ma'lum bir
ramka ichida lokalizatsiya qilish uchun o'rgatilgan:
•
tasvir ramkasi SLIC superpixel segmentatsiyasi yordamida segmentlarga bo'linadi
•
Har bir superpikselda ma'lum bir superpiksel segmentida yong'inni aniqlashga o'rgatilgan SP-
InceptionVx-OnFire konvolyutsion arxitekturasi ( InceptionV1, InceptionV3, InceptionV4 uchun x = 1, 
3, 4 uchun ) ishlatiladi.
•
ish vaqtida (xulosa), tanlangan SP-InceptionVx-OnFire , tarmoq tasvirning SLIC segmentatsiyasidan
har bir superpikselda ishlaydi

---

Aniqlashning eng yaxshi ishlashi (ya'ni, yuqori haqiqiy ijobiy tezlik, past noto'g'ri musbat tezlik)