基于Mamba空间状态线性注意力的高效火灾检测算法.
Yuming Li1, Yongjie Wang2, Xiaorui Shao3
1College of Information Engineering, Luoyang Polytechnic, Luoyang, China. 1018232006@tju.edu.cn.
Scientific reports
|April 2, 2025
概括
本研究介绍了在YOLOv9架构中使用Mamba注意力机制的高效火灾检测模型. 这种新的方法增强了对动态环境的对象检测,实现了高精度和计算效率.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 对象检测模型经常在动态环境中与复杂的尺度变化和多视图干扰作斗争.
- 国家空间模型 (SSM) 与传统方法相比,提供了增强的全球受体场和特征提取.
- 现有的视觉火灾检测技术需要对现实世界的应用进行性能增强.
研究的目的:
- 通过将Mamba注意力机制集成到YOLOv9架构中,提出一种高效和高性能的火灾检测算法.
- 引入新的技术,以改善特征表示,局部细节建模和火灾检测中的界限框准确性.
- 为视觉火灾检测提供一个计算高效的解决方案.
主要方法:
- 开发了高效的Mamba注意力 (EMA) 模块,将自适应平均池与SSM结合起来,以减少计算和增强特征表示.
- 将ConvNeXtV2模块集成到骨干网络中,以改进细粒度局部特征的建模.
- 通过动态非单调的聚焦机制和距离惩罚策略来改进损失函数,以获得更好的界限框准确性.
主要成果:
- 拟议的模型实现了FPS的71.
- 在大规模火灾数据集上达到91.0%,在小规模火灾数据集上达到87.2%的平均平均精度.
- 与现有的火灾检测方法相比,证明了卓越的性能和显著的计算效率.
结论:
- 与Mamba增强的YOLOv9模型为视觉火灾检测提供了强大而高效的解决方案.
- 新的EMA模块和骨干优化显著提高了检测准确性和稳定性.
- 这种方法代表了动态环境实时火灾检测系统的重大进步.


