基于跨尺度特征增强与多层注意力机制的火灾检测方法

摘要

针对视频图像火灾检测在低光照条件下背景与烟雾难以区分、火焰与烟雾形状多变以及复杂背景干扰等问题，给出了一种基于跨尺度特征增强与多层注意力机制的火灾检测方法，以提升火灾检测的准确性和鲁棒性．首先给出了一种跨尺度特征增强模块(CSFE)，使模型更加聚焦于关键特征提取，提高特征的判别性．其次，给出一种下采样模块(CG-Adown)，通过扩张卷积和全局上下文引导，增强模型对全局上下文信息的捕捉能力，并利用残差连接，防止深层网络中的梯度消失和信息丢失．此外，设计了一种多层注意力模块(MLA)，自适应地调整通道和空间维度的权重，提升模型在处理复杂视觉任务时的特征表达能力．最后，在EIoU损失函数的基础上引入缩放因子，来提升对模型的优化效果．实验结果表明，相较于基准模型，所给出的火灾检测模型在FAS-CVP数据集以及FSD-CVP数据集在检测精度上分别提升了6.5%、1.3%，参数量分别下降了2.3%、1.7%.

关键词

火灾检测 / 特征增强 / 注意力机制 / 全局上下文