.png){kind=icon}
返回
FireSeg: A weakly supervised fire segmentation framework via pre-trained latent diffusion models
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126852.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的火灾分割对于应急火灾响应至关重要。然而，当前基于深度学习的火灾分割方法严重依赖于大规模标注数据，而高质量公开数据集的稀缺限制了它们在实际、多样化场景中的应用。为解决这一问题，我们提出了一种创新的弱监督火灾分割框架FireSeg，该框架包含两个核心模块：1）基于预训练潜在扩散模型（latent diffusion model）的特征提取模块，通过扩散反演（diffusion inversion）和文本提示（textual prompts）生成交叉注意力图（cross-attention maps）；2）基于Transformer解码器的Flame-Decoder模块，该模块通过引入动态焦点感知位置查询（Dynamic Focus-aware Positional Queries, DFPQ）和高分辨率交叉注意力（High-Resolution Cross-Attention, HRCA）机制，逐步解码注意力图并输出分割掩码。实验结果表明，FireSeg在覆盖不同火灾场景的三个全监督数据集上显著优于其他模型。例如，在BowFire数据集上，FireSeg比次优模型高出4.10%；在Corsican数据集上，高出次优模型3.83%；在FLAME数据集上，高出次优模型4.24%。此外，FireSeg在包含多样化场景但标注质量较低的弱监督FireDM数据集上，也显著优于次优模型。值得注意的是，当仅使用20%的弱监督数据时，FireSeg的交并比（IoU）提升了9.23%。这些结果表明，FireSeg不仅在全监督设置中提供了优异的分割性能，而且在标注数据有限的弱监督场景中也表现出强大的适应性和有效性。
Keyword:
Fire
Segmentation
Latent diffusion model
Textual information
Feature extraction
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
A wavelet-based real-time fire detection algorithm with multi-modeling framework基于多建模框架的小波实时火灾检测算法
PREAI
分享收藏A forest fire smoke detection model combining convolutional neural network and vision transformer
OAAI
OAAI分享收藏RETRACTED: FireXnet: an explainable AI-based tailored deep learning model for wildfire detection on resource-constrained devicesFireXnet: 一个可解释的基于AI的定制深度学习模型，用于在资源受限的设备上进行野火检测.png)
FIRE ECOLOGYOAAI
FIRE ECOLOGYIF5
OAAI分享收藏Deep Learning Approaches for Wildland Fires Remote Sensing: Classification, Detection, and Segmentation野外火灾遥感的深度学习方法: 分类，检测和分割OAAI
OAAI分享收藏Forest fire and smoke detection using deep learning-based learning without forgetting基于深度学习的森林火灾和烟雾检测FIRE ECOLOGYOAAI
FIRE ECOLOGYIF5
OAAI分享收藏
查看更多内容