44、森林火焰显著目标检测与学生成绩聚类分析研究

森林火焰显著目标检测与学生成绩聚类分析研究

森林火焰显著目标检测

在森林火焰显著目标检测中，为解决原始模型在火焰分散场景下火焰提取不完整和边缘模糊的问题，研究人员对模型进行了改进。

原始模型的改进主要体现在以下几个方面：
- 特征获取与处理 ：某一层能够获取更丰富的火焰特征，通过双线性插值采样放大特征，使火焰目标边缘更加平滑自然。同时采用批量归一化防止网络模型因层数增加而出现梯度消失问题，通过最大池化保留火焰特征并减少维度模型参数。
- 细粒度RRM模型优化 ：针对原始模型的问题，在细粒度RRM模型的(d)部分增加了一个3×3的卷积核层、批量标准化、残差、最大池化和双线性差分采样。对火焰部分原始粗粒度特征信息再次研究并放大，防止分散火信息丢失。

F - 测度优化

为了将F - 测度集成到CNN中并通过端到端的方法进行优化，研究人员进行了一系列定义和推导。
1. 基本定义
- 定义了真实类、假正类和负正类对应的样本数量：
[TP_{Y_t, Y} = \sum_{i} 1(y_i == 1 \text{ and } y_{t_i} == 1)]
[FP_{Y_t, Y} = \sum_{i} 1(y_i == 1 \text{ and } y_{t_i} == 1)]
[FN_{Y_t, Y} = \sum_{i} 1(y_i == 1 \text{ and } y_{t_i} == 0)]
其中，$Y$ 是真实值，$Y_t$ 是阈值 $t$ 的二元预测，$1(·)$