使用多尺度方向跨尺度注意力融合对熔化的痕迹进行分类

《Scientific Reports》：Molten mark classification using multi-scale directional cross-scale attention fusion

　　

摘要

在电气火灾调查中，确定电线上的熔化痕迹是由短路还是外部热量引起的至关重要。现有的分析方法需要大量的人工工作以及昂贵的设备来进行预处理和分类。基于卷积神经网络（CNN）的最新方法已经显示出相对较好的性能；然而，它们的准确性受到对熔化痕迹各种特征利用不足的限制。为了解决这个问题，我们提出了一种基于多尺度方向性跨尺度注意力融合的熔化痕迹分类方法。首先，我们使用Swin Transformer在四个分辨率（尺度）下提取特征图。然后，这些特征通过一个双向特征金字塔网络颈部与方向性跨尺度注意力模块相结合，这些模块分别用于通道和空间注意力处理，并考虑了来自不同尺度的特征。融合后的特征被传递到分类头进行最终分类。为了进行性能评估，我们使用了七个对比模型进行了广泛的实验。所提出的方法获得了0.9644的F1分数和0.9257的马氏相关系数，相比最先进的模型分别提高了1.78个和3.86个百分点。此外，在质量下降的图像上，所提出方法的准确率仅下降了2.88%，显示出比基于CNN的模型更强的鲁棒性（后者平均下降了11.31%）。