基于原型散射学习的烟雾分割方法：增强特征鉴别力与原型多样性的统一优化框架

本文提出原型散射学习（Prototype Scatter Learning, PSL）框架，通过原型散射矩阵统一优化特征提取器和原型，创新性地引入底部K特征值散射（BES）损失函数增强模型鉴别能力，结合原型非相关优化（PUO）机制防止原型退化。该方案在SmokeSeg和SMOKE5K数据集上实现最先进性能，有效解决烟雾边缘模糊和形态多样性的分割难题。

　　

亮点

• 提出原型散射学习（PSL）新方法，通过基于原型的散射矩阵统一优化特征提取器和原型，显著提升对多样烟雾模式和模糊边缘的分割精度

• PSL包含两大核心创新：通过约束特征值分布增强鉴别能力的底部K特征值散射（BES）损失，以及保持原型多样性防止退化的原型非相关优化（PUO），从散射视角联合优化特征提取器和原型

• PSL显著提升基于原型的分割能力，在当前主流烟雾分割数据集上达到最先进性能

烟雾分割

传统烟雾分割方法依赖手工特征（如颜色空间分析、纹理描述子和形态学操作）。深度学习方法通过以下途径应对挑战：1）多尺度融合：如[2],[5]通过组合多层级特征捕获局部和全局信息；2）感受野扩展：如[6],[7]扩大模型感知范围以更好捕捉烟雾变化；3）渐进式优化：[1],[4]通过迭代细化提升分割质量；4）增强特征学习：[8]-[10]通过注意力机制等提升特征表示。然而这些方法均依赖单一中心模式（图1a），主要解决固定场景或相似特征烟雾，对模糊透明边缘的多样烟雾识别存在局限。

预备知识

为便于参考，符号定义见表14。

散射矩阵：散射（或离散度）反映分布拉伸或压缩程度。散射矩阵常用来度量样本散射程度。一般定义为S = (1/(N-1))∑_i=1^N(x_i-x?)(x_i-x?)^T，其中x_i为第i个样本，x?为样本均值，N为样本数。散射矩阵是线性判别分析（LDA）中的重要概念。

实验设置

数据集：实验在两个主流烟雾分割数据集进行：1）SmokeSeg[6]包含6,144张高透明度真实烟雾图像，测试集按烟雾尺寸分为三个子集；2）SMOKE5K[16]包含1,360张真实和4K合成烟雾图像，选取400张作为测试集。

实现细节：基于MMSegmentation实现，采用标准数据增强（颜色抖动、随机裁剪和翻转）和ResNet-50主干网络。训练使用AdamW优化器，初始学习率0.001，批量大小16。

结论

结论：本文提出原型散射学习（PSL），通过统一优化特征提取器和原型提升烟雾分割精度。PSL引入两大创新：增强鉴别能力的底部K特征值散射（BES）损失，和维护原型多样性的原型非相关优化（PUO）。实验证明PSL显著改进基于原型的分割方法，在主流数据集上达到SOTA性能。