场景感知注意力网络与中等规模无人机数据集，用于多样化的火灾分类任务

《Scientific Reports》：Scene-aware attention network and medium-scale drone dataset for diverse fire classification

　　

摘要

基于视觉的火灾检测对于确保城市安全以及保护建筑物免受潜在危害至关重要。尽管主流方法采用传统的注意力模块和深度模型来处理静态火灾环境，但在应对复杂火灾场景（尤其是遥感图像）时效果有限。这些注意力模块主要由传统的卷积层组成，在处理复杂情况时会产生冗余且重叠的空间特征。为了解决这些问题，需要一个能够利用上下文信息（尤其是来自遥感图像的信息）来区分复杂火灾场景的智能视觉模型。为此，研究者提出了自适应火灾网络（AFN），该网络能够有效区分不同的火灾场景、地理位置和环境条件。为了获取更丰富的空间特征，将轻量级的ConvNeXtBase与场景感知注意力网络（SAAN）相结合。SAAN主要由自适应通道模块（ACM）和自适应空间模块（ASM）组成，能够有效捕捉通道间的全局依赖关系以及与火灾相关的局部空间特征。在SAAN中，采用了深度可分离卷积技术，使模型能够从输入张量中提取更多增强后的特征；同时，通道级的处理过程有助于更好地理解输入特征，从而提高模型的预测准确性。在三个具有挑战性的火灾数据集Foggia、FireNet和最新开发的Drone Fire Vision（DFV）上进行了大量实验，分别取得了99.96%、98.97%和90.78%的准确率。实验结果表明，AFN显著提升了现有最先进方法的性能，特别是在动态环境和遥感场景下的火灾检测与分类能力。