基于光流引导特征融合与Transformer不确定性建模的可靠烟雾检测

火灾爆发对人类生命和基础设施构成严重威胁，因此需要能够检测烟雾等燃烧前兆的高保真预警系统。然而，烟雾羽流表现出受光照变化、流动运动学和环境噪声影响的复杂时空动力学特性，这削弱了传统检测器的可靠性。为了在不增加多传感器阵列后勤复杂性的情况下应对这些挑战，我们提出了一种信息融合框架，通过整合从单目图像中提取的烟雾特征表示。具体而言，我们提出了一种用于鲁棒且可靠烟雾检测的两阶段不确定性感知移位窗口Transformer，该模型利用了一个通过基于光流的运动编码构建的新型烟雾分割数据集。光流估计采用受四色定理启发的双阶段水平集分数阶变分模型进行，该模型能够保持运动不连续性。由此产生的颜色编码光流图通过高斯混合模型与外观线索融合，以生成烟雾区域的二值分割掩膜。这些融合表示被输入到新颖的移位窗口Transformer中，该Transformer增加了一个多尺度不确定性估计头，并在两阶段学习方案下进行训练。第一阶段学习优化烟雾检测精度，而在第二阶段，模型通过联合建模偶然不确定性和认知不确定性来学习估计其预测的合理性置信度。使用多种评估指标进行的广泛实验以及与最先进方法的比较分析，证明了其优越的泛化能力和鲁棒性，为监控、工业安全和自主监测应用中的早期火灾检测提供了可靠的解决方案。