YOLO-FireAD：基于注意力引导的倒残差学习与双池化特征保留的高效火灾检测
计算机视觉与模式识别
2025-08-04 v3
摘要
动态环境中的火灾检测面临持续挑战，包括光照变化的干扰、大量的误检或漏检，且难以兼顾效率与准确性。针对现有基于 YOLO 的模型中存在的特征提取限制和信息丢失问题，本研究提出了结合注意力引导倒残差与双池化下采样融合的火灾检测模型（YOLO-FireAD），其具有两项核心创新：（1）注意力引导倒残差块将混合通道-空间注意力与倒残差相结合，自适应地增强火灾特征并抑制环境噪声；（2）双池化下采样融合块通过对最大-平均池化输出进行可学习融合来保留多尺度火灾模式，从而缓解小火检测失败的问题。在两个公开数据集上的广泛评估表明了本模型的高效性能。我们提出的模型保持了总参数量（1.45M，比 YOLOv8n 低 51.8%）和计算量（4.6G，比 YOLOv8n 低 43.2%），其 mAP75 高于主流实时目标检测模型 YOLOv8n、YOLOv9t、YOLOv10n、YOLO11n、YOLOv12n 及其他 YOLOv8 变体 1.3-5.5%。更多详情请访问我们的代码库：https://github.com/JEFfersusu/YOLO-FireAD
引用
@article{arxiv.2505.20884,
title = {YOLO-FireAD: Efficient Fire Detection via Attention-Guided Inverted Residual Learning and Dual-Pooling Feature Preservation},
author = {Weichao Pan and Bohan Xu and Xu Wang and Chengze Lv and Shuoyang Wang and Zhenke Duan and Zhen Tian},
journal= {arXiv preprint arXiv:2505.20884},
year = {2025}
}
备注
2025 International Conference on Intelligent Computing (ICIC 2025)