面向紧凑深度学习模型的不确定性感知后检测框架：提升火灾与烟雾检测性能
计算机视觉与模式识别
2025-10-14 v1 人工智能
机器学习
图像与视频处理
摘要
准确的火灾和烟雾检测对于安全和灾害响应至关重要，但现有基于视觉的方法在效率和可靠性之间面临挑战。紧凑深度学习模型如YOLOv5n和YOLOv8n因广泛应用于无人机、监控摄像头和物联网设备，但其减小的容量常导致误报和漏检。常规后检测方法如非最大抑制（Non-Maximum Suppression）和Soft-NMS仅依赖空间重叠，可能抑制真阳性或保留误警于杂乱或模糊的火场景中。为此，我们提出一种不确定性感知后检测框架，通过统计不确定性和领域相关视觉线索对检测置信度进行重新缩放。轻量级置信度细化网络集成不确定性估计与颜色、边缘和纹理特征，以调整检测得分，而无需修改基础模型。在D-Fire数据集上进行的实验表明，相较于现有基线方法，本方法在精确率、召回率和平均精度（mAP）方面均取得改进，仅带来 modest 的计算开销。这些结果凸显了后检测重排序在提升紧凑深度学习模型用于实际火灾和烟雾检测鲁棒性方面的有效性。
引用
@article{arxiv.2510.10108,
title = {Uncertainty-Aware Post-Detection Framework for Enhanced Fire and Smoke Detection in Compact Deep Learning Models},
author = {Aniruddha Srinivas Joshi and Godwyn James William and Shreyas Srinivas Joshi},
journal= {arXiv preprint arXiv:2510.10108},
year = {2025}
}
备注
Accepted and to be presented at the International Conference on Smart Multimedia (ICSM 2025) - https://smartmultimedia.org/2025/