近期，中科院声学所南海研究站李松斌研究员及其研究团队提出了一种基于多尺度特征提取、隐性深层监督和通道注意力机制的高效火灾检测深度学习模型，实现了对火灾的快速准确检测，在复杂场景下该模型的优势更为明显。该模型规模较小，易于部署在资源受限的设备上，具有较高的实用价值。
相关研究成果于2020年8月在线发表于国际学术期刊 IEEE Transactions on Image Processing 。
研究人员首先用实时获取的图像作为模型的输入，并对图像进行归一化处理；随后在底层特征提取阶段，引入了多尺度特征提取机制丰富了空间细节信息，有效提升了模型对于伪火焰目标的区分能力；然后，通过隐性深层监督机制增强了信息流之间的交互；最后，通过通道注意力机制有选择性地强调对目标任务有用的特征，并有效抑制了图像噪声的干扰。
实验结果表明，该高效火灾检测深度学习模型的检测准确率达到了95.3%，模型大小4.80MB，在NVIDIA GTX 2080TI显卡上能够以每秒63.5帧的处理速度进行火灾检测，可满足实时检测的需求。与现有的基于深度学习的方法相比，该模型具有更高的检测准确率，同时也兼顾了模型大小与检测速度。
本研究为实现快速准确的火灾检测提供了一种可行的解决方案，提高了基于视觉的火灾检测的实际应用价值。
本研究获得海南省重大科技计划项目（No.ZDKJ201807）资助。
图1 火灾检测深度网络模型（图/中科院声学所）
图2 本方法与现有基于深度学习的火灾检测方法实验对比结果（图/中科院声学所）
关键词：
火灾检测；多尺度特征提取；隐性深层监督；通道选择性机制
参考文献：
LI Songbin, YAN Qiandong, LIU Peng, An Efficient Fire Detection Method Based on Multiscale Feature Extraction, Implicit Deep Supervision and Channel Attention Mechanism. IEEE Transactions on Image Processing, vol. 29, pp. 8467-8475, 2020. DOI: 10.1109/TIP.2020.3016431.
论文链接：
https://ieeexplore.ieee.org/document/9171455
