基于图结构的视觉转换器架构在纤维图斑传感器温度预测中的应用
图像与视频处理
2025-11-20 v1 人工智能
计算机视觉与模式识别
摘要
纤维图斑传感器(FSS)在环境监测中尤其有效，尤其是用于检测温度变化。然而，图斑数据集的非线性特性为准确温度预测带来了显著挑战。本研究探讨了使用包括视觉转换器(ViT)、Swin转换器以及新兴模型如可学习重要性非对称注意力视觉转换器(LINA-ViT)和多自适应接近视觉图注意力转换器(MAP-ViGAT)，对0至120摄氏度范围内的图斑数据进行温度预测。结果表明，ViT实现了平均绝对误差(MAE)为1.15，优于传统模型如CNN。GAT-ViT和MAP-ViGAT变体也表现出竞争力，突出了自适应注意力机制和图结构在捕捉图斑数据中复杂模态相互作用和相位变化方面的重要性。此外，本研究还引入了可解释人工智能(XAI)技术，包括注意力图和显著性图，提供对转换器模型决策过程的洞察，提高了可解释性和透明度。这些发现确立了转换器架构作为光纤基于温度传感器的强大基准，为工业监控和结构健康评估应用提供了有前景的方向。
引用
@article{arxiv.2511.14792,
title = {Application of Graph Based Vision Transformers Architectures for Accurate Temperature Prediction in Fiber Specklegram Sensors},
author = {Abhishek Sebastian},
journal= {arXiv preprint arXiv:2511.14792},
year = {2025}
}