基于掩码自编码器的视觉Transformer框架在复杂环境下实现鲁棒性火灾检测

　　本文提出一种基于掩码自编码器（ImageMAE）和视觉Transformer（ViT）的创新火灾检测框架，通过自监督重建任务增强对复杂环境中细粒度火焰特征的捕捉能力，在多个基准数据集上实现1.10%-2.50%的精度提升，为实时监控系统提供兼顾精度与效率的解决方案。

　　

^2.亮点（Highlights）

• 提出基于图像掩码自编码器（ImageMAE）的火灾检测框架，通过自监督重建任务高效学习判别性特征

• 采用非对称编码器-解码器设计，编码器仅处理可见图像块，显著降低计算开销

• 利用视觉Transformer（ViT）编码器捕获长程依赖关系，有效区分真实火焰与类火物体

• 重建模块引入像素级重建损失与归一化像素目标，增强对光照变化和烟雾遮挡的鲁棒性

^3.相关研究（Related work）

视觉传感器驱动的早期精准火灾检测技术主要分为传统机器学习（TML）和深度学习（DL）方法。TML方法依赖手工设计的火焰纹理、颜色和运动特征，但其性能易受环境变异影响。DL方法通过端到端学习自动提取特征，在泛化能力和准确性方面展现显著优势，尤其在可变和不确定条件下表现突出。

^4.方法论（Proposed methodology）

本研究基于掩码自编码器（MAE）架构构建火灾检测框架，利用其对监控图像中判别性特征的提取能力。通过重建被遮蔽的图像区域，模型学会在存在可变光照、烟雾遮挡和类火图案干扰的场景中捕捉鲁棒特征。编码器采用ViT结构处理局部可见图像块，解码器则基于潜在特征重建被遮蔽区域，最终通过重建损失优化特征表示。

^5.实验结果（Experimental results）

在三个公开火灾检测基准及自建数据集上的实验表明：所提模型在实现高精度的同时保持计算效率，消融实验验证了各模块贡献，跨场景评估显示优异泛化能力，可视化结果证实其对细微火焰特征的捕捉优势。

^6.结论（Conclusion）

本研究提出的Transformer火灾检测框架通过掩码自编码机制增强对局部观测的视觉理解，结合ViT编码器和分层上下文建模，显著提升复杂场景下的细粒度火焰判别能力。模型在多个数据集上超越现有方法，为实时监控系统提供可扩展的解决方案。