《Fire》：HIFE-YOLO: HierarchicalInformation Flow Enhancement for Lightweight Fire and Smoke Detection
编辑推荐：
火焰与烟雾检测需要在紧凑模型中同时保留微弱局部证据并利用充足上下文以区分弥散目标。研究人员提出HIFE-YOLO，一种基于YOLO11n的探测器，沿信息流协调多尺度Ghost（幻影卷积）特征生成、保留路径辅助的颈部下采样，以及检测头前的互补任务残差。融合模型包
火焰与烟雾检测需要在紧凑模型中同时保留微弱局部证据并利用充足上下文以区分弥散目标。研究人员提出HIFE-YOLO，一种基于YOLO11n的探测器，沿信息流协调多尺度Ghost（幻影卷积）特征生成、保留路径辅助的颈部下采样，以及检测头前的互补任务残差。融合模型包含2.303×10?参数，在640×640输入下估计计算代价为6.062 GFLOPs，较YOLO11n分别降低10.84%与4.00%。在D-Fire数据集100轮通用训练协议下，三组配对训练种子取得mAP50与mAP50–95提升；相对较小目标中火焰与烟雾AP50分别提升1.41与4.49个百分点。在独立fire_merged留出的视图上，冻结权重测试使整体mAP50与召回率分别提升1.74与5.67个百分点，但精度与HPWREN烟雾AP未改善。参数与存储收益伴随实测桌面流水线中略高的延迟与峰值GPU占用。较小目标测试与BoWFire火焰存在性测试显示明确增益，所有结论限于D-Fire训练协议与记录种子范围。
研究背景与问题提出
视觉火焰与烟雾检测可依托固定摄像头、无人机与既有监控平台覆盖大范围区域，是对点式传感器的关键补充。早期火源通常尺度小、边界不规则，烟雾则呈现低对比度、半透明与空间弥散特性，易被云、霾与工业排放干扰。现有轻量检测器在资源受限条件下，常面临微弱局部证据丢失、下采样过程中细节衰减、分类与定位任务特征分配不充分，以及小目标与跨场景泛化能力不足等问题。为在紧凑架构中兼顾局部细节保留与上下文利用，研究人员以YOLO11n为基线，构建层次化信息流增强框架HIFE-YOLO，围绕特征生成、尺度传递与预测适配三个阶段进行协同改造。
关键技术方法
研究人员采用D-Fire公开数据集作为主训练与测试来源，并以fire_merged、BoWFire与HPWREN作为外部迁移与专项评测集合；训练采用100轮统一协议，并设置三组配对随机种子以控制初始化差异。核心插入三类模块：MSGhostC3k2用于多尺度低成本特征生成，RetentionGSConv在颈部下采样中引入固定保留路径，CTD（任务校正解码器）在P3、P4、P5三级预测前生成有界任务残差；基线原有损失、后处理与三尺度预测结构保持不变。
研究结果
HIFE-YOLO架构
研究人员在YOLO11n骨干与颈部关键位置替换并插入模块，完整模型参数量由2.583×10?降至2.303×10?，GFLOPs由6.314降至6.062，同时保留原始PAN-FPN与三尺度检测框架。
MSGhostC3k2
该模块通过通道切分、顺序瓶颈与多级收集，结合多尺度深度可分离卷积与样本级权重融合，在高层骨干与颈部P5处生成低成本多尺度特征，单模块显著降低参数并增强局部与上下文响应。
RetentionGSConv
在P3→P4与P4→P5下采样处，以可学习GSConv路径联合无参数最大池化保留路径，按固定比例融合，缓解下采样时局部响应衰减，同时不破坏通道一致性。
CTD
各级特征先压缩至低维隐藏通道，分别提取局部细节与空洞上下文特征，经选择图与零初始化有界残差投影，向分类与边界框塔注入微调信息；初始插入时不改变基线预测。
通用协议下模型对比
在D-Fire有效测试集上，完整模型mAP50达73.37%、mAP50–95达41.24%，较基线提升约1.67与1.23个百分点，参数量降低10.84%，在n系列轻量模型中取得精度与开销的更优平衡。
训练种子变异性
三组配对种子结果显示，HIFE-YOLO在每轮运行中mAP50与mAP50–95均优于基线，平均配对增益分别为1.29与1.22个百分点，但增益幅度随种子波动，说明结论依赖记录训练条件。
模块消融与敏感性
独立与增量消融表明，MSGhost、Retention与CTD均正向贡献；CTD隐藏通道宽4为精度与参数折中，残差幅值限制对结果影响较小，完整协同配置优于单一模块替换。
小目标与困难场景评测
在标注框面积小于图像面积1%的相对小目标子集，火焰AP50由59.19%升至60.60%，烟雾AP50由56.96%升至61.45%；BoWFire火焰命中率提升且误报略降，但HPWREN远距离弱烟雾AP低于基线，显示精度—覆盖率权衡仍待优化。
跨数据集迁移
在筛选后fire_merged独立视图，冻结权重下召回率提升5.67个百分点、mAP50提升1.74个百分点，但精度下降，反映模型对弱小目标更敏感，同时受标注完整性与场景分布影响。
固定工作点与效率
D-Fire固定置信度下，未匹配预测框与FPPI下降，背景误报率未改善；RTX 3070桌面流水线中，模型存储由5.44 MB降至4.93 MB，但平均延迟由8.763 ms升至9.116 ms，峰值显存由65.9 MiB升至71.9 MiB。
讨论与结论翻译
讨论指出，HIFE-YOLO在D-Fire协议内实现了参数、估计计算量与检测精度的协同改善，小目标与跨域召回表现突出，但在远端烟雾与部分外部分布上仍存在漏检与精度交换。结论可表述为：研究人员提出的层次化信息流增强架构，在YOLO11n三尺度图中协调高效多尺度特征生成、保留路径下采样与有界任务适配，于三组配对种子上持续提升火焰烟雾检测性能；完整模型以更低参数与检查点体积换取略高延迟与显存占用，其收益目前限于所采用数据集、训练协议与记录种子，真实边缘部署与野外早期火情场景仍需进一步现场验证。
这篇评审解读已完成，接下来可以选择一个方向继续深化：
