LightFire-Net：高效的多模态光谱-空间信息融合技术，用于遥感中的实时野火检测

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：LightFire-Net: Efficient Cross-Modal Spectral–Spatial Information Fusion for Real-Time Wildfire Detection in Remote Sensing

　　

摘要：

野火是最具破坏性的自然灾害之一，对环境、经济、野生动物和人类生活造成了严重损害，因此需要早期检测系统。本文提出了一种新型的LightFire-Net深度交叉模型融合架构，用于从遥感图像中进行野火分类和识别。该模型计算效率高，采用了高效火焰特征模块（Efficient Flame Pattern Blocks）与深度可分离卷积层（depthwise separable convolutional layers）、轻量级光谱空间模块（Lightweight spectral spatial module）以及高效特征融合技术（Efficient Feature Fusion），以实现实时野火分类和检测。该模型的多级架构能够进行分层特征提取，从而提高分类的准确性和效率。通过贝叶斯优化（Bayesian Optimization, BO）来选择超参数，从而改善了模型在选定遥感数据集上的训练效果。最终预测采用Softmax分类层。该模型表现出色，预测准确率超过98%，同时参数数量仅为137万，推理速度为7.74毫秒。在多个数据集分割（90:05:05-40:30:30）上的综合评估显示了其强大的泛化能力，准确率范围在98.02%至99.25%之间。五折交叉验证的平均准确率进一步证明了模型的稳定性，为98.62%±0.15%。与现有的基于CNN和变换器的架构相比，该模型效率更高，非常适合在资源受限环境中进行实时监测。