HQDL：一种基于无人机遥感技术的实时火灾检测混合量子深度学习框架

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：HQDL: A Hybrid Quantum-Deep Learning Framework for Real-Time Fire Detection Using UAV Remote Sensing

　　

摘要：

在遥感图像中进行火灾检测对于降低各类火灾的影响具有重要意义，这类火灾包括森林火灾以及其他与火灾相关的危险。传统的基于闭路电视的系统视野有限、覆盖范围受限，且难以监测大型或偏远区域。基于无人机的遥感技术具有更好的机动性和更广的覆盖范围，但由于机载存储和计算能力的限制，实时火灾检测较为困难。尽管基于卷积神经网络和视觉变换器的方法能够实现高精度，但其较高的计算复杂度往往限制了其在资源有限的无人机边缘设备上的应用。为解决这些难题，本文提出了一种混合量子深度学习火灾检测框架，该框架将轻量级的MobileViT结构与量子增强处理带来的特征提取能力相结合。以往的研究多是将传统卷积神经网络结构与额外的处理层结合用于火灾检测，而我们提出的HQDL框架则采用了参数化量子电路来实现量子卷积和量子密集层功能，这使得模型能够捕捉到传统混合层无法表示的复杂非线性依赖关系和更高阶的特征交互。该框架在FD、FLAME和ADSF数据集上的测试结果分别为98.42%、87.08%和96.83%。HQDL模型的体积仅为19.3MB，拥有503万个可训练参数，在CPU上的运行速度为28.42帧/秒，在GPU上为86.48帧/秒，在树莓派上的运行速度则为10.49帧/秒。通过类别激活图进行的可视化分析表明，该模型能够聚焦于与火灾相关的区域，同时抑制背景干扰。总体而言，HQDL为基于无人机的实时火灾检测提供了一种可扩展且计算效率高的解决方案。