不可见气体检测：一种RGB-热红外交叉注意力网络与新基准
计算机视觉与模式识别
2024-09-09 v2
摘要
工业过程中各种化学气体的广泛使用，鉴于其高毒性，需要采取有效措施防止其在运输和储存过程中泄漏。基于热红外计算机视觉的检测技术为识别气体泄漏区域提供了一种直接方法。然而，由于热图像纹理低且缺乏开源数据集，高质量算法的开发一直具有挑战性。本文提出了RGB-热红外交叉注意力网络（RT-CAN），该网络采用RGB辅助的双流网络架构，整合RGB图像的纹理信息和热图像的气体区域信息。此外，为促进不可见气体检测研究，我们引入了Gas-DB，一个包含约1.3K张标注良好的RGB-热红外图像、涵盖八种不同采集场景的开源气体检测数据库。实验结果表明，我们的方法成功利用了两种模态的优势，在RGB-热红外方法中达到了最先进（SOTA）性能，在准确率、交并比（IoU）和F2指标上分别超过单流SOTA模型4.86%、5.65%和4.88%。代码和数据可在https://github.com/logic112358/RT-CAN获取。
引用
@article{arxiv.2403.17712,
title = {Invisible Gas Detection: An RGB-Thermal Cross Attention Network and A New Benchmark},
author = {Jue Wang and Yuxiang Lin and Qi Zhao and Dong Luo and Shuaibao Chen and Wei Chen and Xiaojiang Peng},
journal= {arXiv preprint arXiv:2403.17712},
year = {2024}
}