基于 CBAM 增强 EfficientNet 与证据深度学习的不确定性感知卫星图像野火烟雾密度分类
计算机视觉与模式识别
2026-05-18 v1 人工智能
摘要
从卫星图像中快速准确地评估野火烟雾严重程度对于应急响应、空气质量建模和人类健康风险管理至关重要。现有的深度学习方法将烟雾检测视为二分类任务，产生点估计而不提供任何预测置信度度量。我们提出一个概率框架，将卫星图块分类为轻度、中度和重度三个等级，并在单次前向传播中提供分解的认知不确定性和偶然不确定性。我们的架构使用预训练的 EfficientNet-B3 作为骨干网络，并引入 CBAM 模块，配合一个证据深度学习头，该头预测 Dirichlet 浓度参数，无需蒙特卡洛采样即可直接估计 vacuity（认知不确定性）和 dissonance（偶然不确定性）。在从野火检测数据集导出的 16,298 个真实卫星图块上进行评估，我们的模型达到了 93.8% 的加权测试准确率（91.1% 未加权），ECE=0.0274。保留最确定的 50% 图块进行选择性预测，准确率达到 96.7%。随着图像质量下降，不确定性单调增加，且 vacuity 是一个实用的扫描质量度量。中度烟雾类别代表过渡性烟雾条件，表现出最高的认知不确定性（平均 vacuity = 0.187），证实模型正确识别了模糊的烟雾边界区域。CBAM 空间注意力图定位于结构独特的场景区域，t-SNE 展示了轻度和重度烟雾清晰的聚类分离。
引用
@article{arxiv.2605.15894,
title = {Uncertainty-Aware Wildfire Smoke Density Classification from Satellite Imagery via CBAM-Augmented EfficientNet with Evidential Deep Learning},
author = {Ranjith Chodavarapu},
journal= {arXiv preprint arXiv:2605.15894},
year = {2026}
}