为解决森林场景中被树木和烟雾遮挡的火焰难以检测的问题,给出了一种基于特征约束和空间域频域交互的森林火灾检测算法。首先,设计了一种特征不变性和协方差约束(Feature Invariance and Covariance Constraint,FICC)结构,通过拉近不同...为解决森林场景中被树木和烟雾遮挡的火焰难以检测的问题,给出了一种基于特征约束和空间域频域交互的森林火灾检测算法。首先,设计了一种特征不变性和协方差约束(Feature Invariance and Covariance Constraint,FICC)结构,通过拉近不同程度树木遮挡下的火焰特征来保持火焰特征的一致性,从而减轻树木遮挡的影响。其次,给出了一个基于傅里叶变换的空间频率交互模块(Spatial Frequency Interaction Module,SFIM),在振幅相位的结构语义信息约束下补充空间域高质量的火焰细节,从而学习具有判别性的火焰特征来解决烟雾遮挡的问题。试验结果表明,给出的算法在自制的森林火灾数据集上取得了84.4%的检测精度,比基线网络YOLOv5s提升4.7百分点。改进后的算法在有树木遮挡和烟雾遮挡的情况下仍能准确地预测,优于许多用于森林火灾场景的深度学习网络。展开更多
文摘为解决森林场景中被树木和烟雾遮挡的火焰难以检测的问题,给出了一种基于特征约束和空间域频域交互的森林火灾检测算法。首先,设计了一种特征不变性和协方差约束(Feature Invariance and Covariance Constraint,FICC)结构,通过拉近不同程度树木遮挡下的火焰特征来保持火焰特征的一致性,从而减轻树木遮挡的影响。其次,给出了一个基于傅里叶变换的空间频率交互模块(Spatial Frequency Interaction Module,SFIM),在振幅相位的结构语义信息约束下补充空间域高质量的火焰细节,从而学习具有判别性的火焰特征来解决烟雾遮挡的问题。试验结果表明,给出的算法在自制的森林火灾数据集上取得了84.4%的检测精度,比基线网络YOLOv5s提升4.7百分点。改进后的算法在有树木遮挡和烟雾遮挡的情况下仍能准确地预测,优于许多用于森林火灾场景的深度学习网络。
