双路径CSDETR:级联随机注意力与以对象为中心的priors用于高精度的火灾检测
Dongxing Yu1,2, Bing Han3, Xinyi Zhao3
1Key Laboratory of Fire Protection Technology for Industry and Public Building, Ministry of Emergency Management, Tianjin 300381, China.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
检测火灾和烟雾是一项挑战. 我们新的双路径级联静态DETR模型使用了新的注意力机制和双路径架构来提高这些无形物体的检测精度.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 检测火焰和烟雾等动态和无形物体在计算机视觉中提出了重大挑战.
- 现有的物体检测模型经常与火和烟的不规则形状和快速变化作斗争.
研究的目的:
- 开发一种先进的物体检测模型,能够准确识别火灾和烟雾.
- 解决目前在模拟不规则物体形态学的方法的局限性.
主要方法:
- 提出双路径级联静态DETR (双路径CSDETR),这是一个新的深度学习架构.
- 引入级联随机注意力 (CSA) 通过变化推理来建模不规则形状.
- 实现双路径架构,以实现双向功能交互和增强学习.
- 将以对象为中心的 priors 从边界框集成到解码器层中,以改进注意力.
主要成果:
- 双通道CSDETR在火灾和烟雾检测任务中获得了94%的AP50分.
- 与决定性基线模型相比,拟议的模型显示出更高的性能.
- 整合CSA和双路径架构在处理无形物体检测方面被证明是有效的.
结论:
- 双通道CSDETR在检测火焰和烟雾等具有挑战性的无形物体方面取得了重大进展.
- 该模型对注意力和特征相互作用的创新方法提高了检测效率和准确性.
- 这项工作为需要可靠的火灾和烟雾检测的关键应用提供了强大的解决方案.
