本文调查了不同的公开神经网络模型，这些模型使用安装于山顶或森林瞭望塔上的常规可见光相机来检测野火。在ImageNet-1K上预训练并在自定义野火数据集上微调后，评估了这些模型在不同野火图像上的性能，并提供了有关使用迁移学习进行野火检测的有用信息。Swin Transformer-tiny具有最高的AUC值，但ConvNext-tiny在我们的数据集中检测到了所有的野火事件，并具有最低的误报率。

Jun, 2023

本文提出了一种利用RGB相机和语义分割等技术实时探测被树木、烟雾、云等自然障碍物掩盖的野火的方法，并将此方法应用于无人机上以实现精准灭火。

Jun, 2023

我们提出了一种CNN-Transformer混合学习框架（称为IA-VFDnet），其中包括统一的高质量多模态特征匹配模块（AKM）和融合模块（WDAF），可以应用于烟雾和野火检测，并通过对M3FD数据集的实验证明了其在传统注册条件下的最佳检测性能。此外，此论文还公开提供了第一个未注册的多模态烟雾和野火检测基准。

Jul, 2023

该论文提出了一种基于烟雾引起的低能见度场景中的热红外成像融合策略的人体检测系统，通过多摄像机处理收集重要信息，融合提取的特征输入轻量级深度神经网络进行人体检测任务，实验表明该方法在合理速度下能够以95%的[email protected]值取得良好性能。

Jul, 2023

基于半监督学习的火灾检测模型FireMatch，结合了一致性正则化和对抗分布对齐，通过伪标签和视频增强等技术，扩展训练数据量，提高了分类性能和模型鲁棒性，实验结果表明该方法在真实火灾数据集上的准确率显著优于当前最先进的半监督分类方法。

Nov, 2023

该研究利用卷积神经网络（CNN）和迁移学习技术分析地理空间数据，特别是用于识别受野火影响的区域，并结合加拿大火险指数（FWI）评估湿度条件，通过建立一个0至5的火险级别量表与天气模式动态连接，实现了大规模烧毁区域的准确识别，为预测和减轻火灾提供了实时实用的方法。

Mar, 2024

FlameFinder是一个深度度量学习（DML）框架，利用消防员无人机的热像图在野火监测过程中准确检测烟火，即使被烟雾遮挡。它通过使用配对的热-RGB图像进行训练来解决传统RGB相机在这种条件下的困难，并利用等效热域分布来分析被烟雾遮挡的火焰特征，从而提高了性能。该框架结合了火焰分割方法和DML辅助检测框架，通过引入注意机制和不同损失函数，改进了模型的性能和可解释性。在未被遮挡的火焰检测准确性方面，该模型超过了FLAME2数据集的基线4.4％和FLAME3数据集的基线7％，与VGG19、ResNet18和其他针对火焰检测设计的三个骨干模型相比，在被遮挡的场景中展示出更好的类别分离效果。

Apr, 2024

通过提出适用于无人机/无人机图像的分割神经网络（SegNet）选择方法，该研究旨在缩短特征图以显着提高实时野火检测的处理速度和准确性，从而为全球野火检测增加了实时检测能力、野火检测准确性以及早期野火检测的能力。

Feb, 2024

本研究解决了无人机在偏远地区火灾烟雾检测中受限于计算能力的问题。通过利用零-shot基础模型监督，仅需边界框标签训练小型专业分割模型，实现实时火灾烟雾检测的有效性。研究表明，该方法在多样化火灾数据集上实现了63.3%的mIoU，显示出在实际森林火灾事件中的可靠性。

Aug, 2024

本研究关注于无人机在灾害应急响应中的数据实时处理问题，提出了一种轻量且高效的航拍视频理解方法，解决了现有深度学习模型对计算资源限制的忽视。通过政策网络识别视频中的冗余部分并利用帧压缩技术去除多余信息，我们的方法在计算成本减少超过13倍的同时，准确度提升3%。

Aug, 2024