Video Experimental Relacionado
Updated: Jan 7, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
721
Red de Fusión Multi-etapa de Interacción Grupal y Dominio Cruzado para Segmentación de Humo en Tiempo Real
Resumen
Este estudio presenta una red ligera para la segmentación de humo en tiempo real en dispositivos móviles. La Red Multi-etapa de Interacción Grupal y Fusión de Dominio Cruzado (MGICFN) propuesta logra alta precisión con baja complejidad computacional.
Área de la Ciencia:
- Visión por Computadora
- Inteligencia Artificial
- Procesamiento de Imágenes
Sus antecedentes:
- La segmentación precisa del humo es crucial para los sistemas de advertencia de incendios, especialmente en plataformas móviles.
- Los modelos de alta precisión existentes suelen ser demasiado intensivos computacionalmente para aplicaciones móviles.
- Existe la necesidad de soluciones de segmentación de humo ligeras y eficientes.
Objetivo del estudio:
- Desarrollar una red ligera para la segmentación de imágenes de humo en tiempo real en dispositivos móviles.
- Mejorar el análisis de las características del humo y preservar la información de objetos de humo pequeños.
- Mejorar la detección de bordes de objetivos de humo.
Principales métodos:
- Se propuso una Red Multi-etapa de Interacción Grupal y Fusión de Dominio Cruzado (MGICFN) con baja complejidad computacional.
- Se introdujo un Módulo de Atención de Interacción de Dominio Cruzado (CIAM) para fusionar características de dominio espacial y de frecuencia.
- Se diseñó un Módulo de Interacción Grupal Multi-etapa (MGIM) para prevenir la pérdida de información durante el submuestreo y un Módulo de Mejora de Bordes (EEM) para el refinamiento de bordes.
Principales resultados:
- MGICFN logró un 88,70% de Dice y un 81,16% de mIoU en el conjunto de datos SFS3K.
- El modelo obtuvo un 87,30% de Dice y un 78,68% de mIoU en el conjunto de datos de prueba SYN70K.
- El modelo MGICFN tiene solo 0,73M de parámetros y 0,3G FLOPs, lo que indica una alta eficiencia.
Conclusiones:
- La MGICFN propuesta es una solución eficaz y computacionalmente eficiente para la segmentación de imágenes de humo ligeras.
- La red demuestra un fuerte rendimiento en conjuntos de datos de referencia, adecuada para aplicaciones móviles en tiempo real.
- MGICFN ofrece un enfoque prometedor para mejorar los sistemas de advertencia de incendios a través de una detección de humo mejorada.
