SCU-CGAN：通过合成火灾图像生成提升火灾检测
计算机视觉与模式识别
2025-12-10 v1
摘要
火灾长期与人类生活相关，引发严重灾害和损失。早期检测至关重要，随着家居物联网技术的兴起，家庭火灾检测系统逐渐出现。然而，现有火灾数据集的不足限制了检测模型的性能。我们提出了 SCU-CGAN 模型，将 U-Net、CBAM 与额外判别器集成，以生成来自非火灾图像的逼真火灾图像。我们评估了图像质量，确认 SCU-CGAN 在生成图像质量上优于现有模型。具体而言，SCU-CGAN 在 KID 分数上比 CycleGAN 提升了 41.5%，显示生成火灾图像的优越性。此外，实验表明，数据增强后的数据集显著提升了火灾检测模型的准确率，且无需改变模型结构。对于 YOLOv5 纳米模型，[email protected]:0.95 指标提升最为显著，提升了 56.5%，凸显所提方法的有效性。
引用
@article{arxiv.2512.08362,
title = {SCU-CGAN: Enhancing Fire Detection through Synthetic Fire Image Generation and Dataset Augmentation},
author = {Ju-Young Kim and Ji-Hong Park and Gun-Woo Kim},
journal= {arXiv preprint arXiv:2512.08362},
year = {2025}
}
备注
Accepted for main track at MobieSec 2024 (not published in the proceedings)