《Knowledge-Based Systems》：FireSegUNet: Exploring computationally efficient fire segmentation network for Unmanned Aerial Vehicles
编辑推荐：
阿里·哈桑（Ali Hassan）|约翰·约翰松（Johan Johansson）|斯特凡·舒尔特（Stefan Schulte）|张婷婷（Tingting Zhang）|卡伦·埃吉亚扎里安（Karen Egiazarian）|莫滕·谢斯特伦（M?rten Sj?str?m）摘要
阿里·哈桑（Ali Hassan）|约翰·约翰松（Johan Johansson）|斯特凡·舒尔特（Stefan Schulte）|张婷婷（Tingting Zhang）|卡伦·埃吉亚扎里安（Karen Egiazarian）|莫滕·谢斯特伦（M?rten Sj?str?m）
摘要
在资源受限的硬件上进行的语义分割仍然是深度学习中的一个关键挑战，尤其是在边缘设备和嵌入式系统上的应用。在这项研究中，我们提出了FireSegUNet，这是一种专为这类环境设计的轻量级且计算效率高的深度学习架构。该模型在编码器-解码器框架中集成了一个优化的反向瓶颈层用于特征提取，将计算复杂度降低了多达51%。同时，通过高效的挤压-激励（squeeze-and-excitation）模块提高了分割精度，并将推理时间减少了多达7.3%，同时将能耗降低了多达4.6%。在多种火灾分割数据集上的广泛评估表明，FireSegUNet在保持竞争性分割精度的同时，将参数数量和存储需求减少了多达81%。此外，我们还详细分析了模型复杂度指标与实际推理时间、内存使用量和能耗之间的关系。这一全面的评估证实，FireSegUNet在边缘设备上表现更佳，并且能够很好地泛化到未见过的数据集。这些发现使FireSegUNet成为资源受限环境中高效图像分割的实用解决方案。尽管主要针对火灾分割进行了验证，但FireSegUNet的模块化设计使其也能适应其他计算机视觉任务。FireSegUNet的源代码将在
https://github.com/Realistic3D-MIUN/FireSegUNet公开发布。
