Deep Residual Multi-resolution Features and Optimized Kernel ELM for Forest Fire Image Detection Using Imbalanced Database

Der Artikel vertieft sich in die kritische Frage der Erkennung von Waldbränden und betont die Notwendigkeit einer frühzeitigen und genauen Identifizierung, um Umweltschäden und wirtschaftliche Schäden zu verringern. Es führt eine ausgeklügelte Methodik ein, die tiefe Lerntechniken nutzt, insbesondere das ResNet-18-Modell, um sowohl flache als auch tiefe Merkmale aus Waldbrandbildern zu extrahieren. Diese Merkmale werden dann zu einer umfassenden Darstellung verschmolzen, die sowohl lokale als auch globale Charakteristika von Brandszenen einfängt. Der Artikel verbessert den Erkennungsprozess durch den Einsatz einer Kernel Extreme Learning Machine (KELM), die mit dem Newton-Raphson-basierten Optimierer (NRBO) optimiert wurde, wodurch eine hohe Genauigkeit und Zuverlässigkeit auch bei unausgewogenen Datensätzen gewährleistet ist. Die Wirksamkeit der vorgeschlagenen Methode wird anhand zweier öffentlich zugänglicher Datensätze, der Waldbrand- und Flammendatenbanken, validiert, die überlegene Leistungskennzahlen wie Sensitivität, Spezifität, Präzision und allgemeine Erkennungsgenauigkeit aufweisen. Darüber hinaus bietet die Verwendung von SHAP (SHapley Additive exPlanations) eine detaillierte Analyse von Feature-Beiträgen, die wertvolle Einblicke in den Entscheidungsprozess des Modells bietet. Der Artikel enthält auch eine umfassende Literaturübersicht, in der die vorgeschlagene Methode mit bestehenden Techniken verglichen und ihre Vorteile hervorgehoben werden. Die experimentellen Ergebnisse und Diskussionen unterstreichen die Robustheit und Effizienz des vorgeschlagenen Ansatzes und machen ihn zu einem bedeutenden Beitrag auf dem Gebiet der Erkennung von Waldbränden und der Umweltüberwachung.