基于改进YOLOv8的火情智能检测算法

火情检测的作用和意义在于保护人民群众的人身财产安全。为了提升火情检测的精度,提出一种基于改进YOLOv8的火情智能检测算法。首先,通过添加CBAM(Convolutional Block Attention Module)注意力模块帮助模型更加准确地检测和定位火情;其次,使用空洞空间卷积池化金字塔模块获取多尺度信息,提升火情检测精度;最后,引入BiFPN(Bi-directional Feature Pyramid Network)模块帮助模型针对性地学习特征。将该算法应用于火情数据集,实验结果表明,较之其他YOLO系列检测算法,改进YOLOv8的火情智能检测算法的火情检测效果最优;相较于YOLOv8n算法,检测精确率提升了1.4百分点,召回率提升了4.3百分点,mAP@0.5提升了5.1百分点,mAP@0.5-0.95提升了1.6百分点,可以有效地检测火情。

国有企业管理会计存在的问题及对策研究

在国有企业转型发展中,内部管理作为重要内容,对国有企业转型目标是否能顺利完成有着直接影响。如何从管理会计角度出发,促进企业转型发展,已经成为国有企业管理者重点思考的问题。本文结合国有企业管理会计实施现状,探讨其中存在的问题,提出加强国有企业管理会计的优化建议,以期发挥管理会计在国有企业中的重要作用,助力国有企业不断提升管理水平。

基于对比学习和伪异常合成的无监督火灾检测

传统的火灾检测方法大多基于目标检测技术,存在火灾样本获取难度高、人工标注成本高的问题.为解决该问题,本研究提出了一种基于对比学习和伪异常合成的无监督火灾检测模型.为了实现无监督图像特征学习,提出了交叉输入对比学习模块.然后,引入了一个记忆原型学习正常场景图像的特征分布,通过特征重建实现对火灾场景的判别.并且,提出了伪异常火灾场景合成方法和基于欧氏距离的异常特征区分损失,使模型对于火灾场景具有针对性.根据实验表明,我们的方法在Fire-Flame-Dataset和Fire-Detection-Image-Dataset两个公开火灾检测数据集上的图像级AUC分别达到89.86%和89.56%,优于PatchCore、PANDA、Mean-Shift等主流图像异常检测算法.