EFA-YOLO：一种用于火灾检测的高效特征注意力模型
计算机视觉与模式识别
2024-09-20 v1
摘要
作为一种具有高突发性和巨大破坏力的自然灾害，火灾长期以来对人类社会和生态环境构成重大威胁。近年来，随着智能城市和物联网技术的快速发展，基于深度学习的火灾检测系统逐渐成为应对火灾风险的关键手段。然而，现有火灾检测模型在复杂情境下的检测精度和实时性能仍面临诸多挑战。为此，我们提出了两个关键模块：EAConv（Efficient Attention Convolution）和EADown（Efficient Attention Downsampling）。EAConv模块通过将高效注意力机制与深度可分离卷积结合，显著提高了特征提取效率；EADown模块则利用空间和通道注意力机制结合池化操作，增强了特征下采样的精度和效率。基于这两个模块，我们设计了一个高效轻量级的火焰检测模型——EFA-YOLO。实验结果表明，EFA-YOLO仅需1.4百万个模型参数，GFLOPs为4.6，在CPU上单张图像的推理时间仅为22.19毫秒。与现有主流模型（如YOLOv5、YOLOv8、YOLOv9和YOLOv10）相比，EFA-YOLO在检测精度（mAP）和推理速度上均实现显著提升，模型参数量减少了94.6倍，推理速度提升了88倍。
引用
@article{arxiv.2409.12635,
title = {EFA-YOLO: An Efficient Feature Attention Model for Fire and Flame Detection},
author = {Weichao Pan and Xu Wang and Wenqing Huan},
journal= {arXiv preprint arXiv:2409.12635},
year = {2024}
}