Аналитический обзор нейросетевых алгоритмов обнаружения возгораний при чрезвычайных ситуациях

Благодаря развитию нейронных сетей робототехнические системы научились обнаруживать и распознавать объекты в режиме реального времени, что поспособствовало применению РТС в автономном режиме в самых различных сценариях, в том числе для обнаружения возгораний при чрезвычайных ситуациях. В статье рассматривается ряд существующих алгоритмов обнаружения на основе нейронных сетей, включая сверточные нейронные сети, региональные сверточные нейронные сети и их варианты, глубокие нейронные сети со сверточной долговременной кратковременной памятью (ConvLSTM), методы, интегрирующие глубокое обучение с корреляционной фильтрацией посредством самостоятельного обучения, сиамские нейронные сети для отслеживания целей и семейство алгоритмов YOLO (You Only Look Once). Описаны основные характеристики и различия между нейросетевыми алгоритмами, а также приведено сравнение эффективности, по критериям средней точности (mAP – mean Average Precision) и скорости обработки – частоте кадров в секунду (FPS – Frame Per Second). Выводы статьи дают представление о компромиссах между точностью, скоростью и требованиями конкретных задач в задачах обнаружения, что позволяет сделать обоснованный выбор по применению того или иного алгоритма.