基于哈达德变换和离散余弦变换潜空间的 U-Net 用于野火次日传播预测
计算机视觉与模式识别
2026-02-13 v1
摘要
我们开发了一种基于多模态卫星数据的轻量级、计算效率高的野火次日传播预测工具。该深度学习模型称为变换域融合 UNet (TD-FusionUNet)，集成了可训练的哈达德变换和离散余弦变换层，这些层应用二维变换，使网络能够捕获正交化潜空间中关键“频率”成分。此外，我们引入自定义预处理技术，包括随机边距裁剪和高斯混合模型，以丰富稀疏预火掩码的表征，增强模型的泛化能力。TD-FusionUNet 在两个数据集上进行评估，分别是谷歌研究于 2023 年发布的 Next-Day Wildfire Spread 数据集和 WildfireSpreadTS 数据集。我们的方法在 WildfireSpreadTS 数据集上实现了 0.591 的 F1 分数，参数量为 37 万，显著优于使用 ResNet18 作为编码器的 UNet 基线模型，同时参数数量大幅减少。这些结果表明，所提出的潜空间融合模型在轻量化设置下实现了精度与效率的平衡，适用于资源受限环境中的实时野火预测应用。
引用
@article{arxiv.2602.11672,
title = {U-Net with Hadamard Transform and DCT Latent Spaces for Next-day Wildfire Spread Prediction},
author = {Yingyi Luo and Shuaiang Rong and Adam Watts and Ahmet Enis Cetin},
journal= {arXiv preprint arXiv:2602.11672},
year = {2026}
}