计算机应用

作者：王磊, 胡节, 彭博

单位：西南交通大学 计算机与人工智能学院，成都 611756

关键词：火灾检测,半监督目标检测,师生互学,软标签,分布自适应,动态课程伪标签

基金：四川省重点研发计划项目(2023YFG0354)

针对火灾图像标签过少、背景复杂多样导致的半监督目标检测困难的问题，提出一种用于半监督火灾检测的分布自适应和动态课程伪标签框架（DADCPL-SFD）。该框架主要由师生互学（ML）框架、软标签（SL）、分布自适应和动态课程伪标签这4个部分组成。首先，采用师生互学框架的半监督学习范式替换YOLOv5-l的全监督学习范式，以应对数据标签少的场景；其次，采用软标签以获取更多有效的伪标签正例，优化半监督学习过程；再次，引入分布自适应损失，减小源域和目标域的数据分布差异，使模型在不同域上表现一致；最后，设计一种基于课程思想的动态课程伪标签策略，根据伪标签生成的情况在不同训练时期调整阈值，以筛选更合理的伪标签。在火焰和烟雾数据集（DFS）多个监督比例上（1%、2%、5%和10%）的实验结果表明，相较于全监督学习，所提框架的平均精度均值（mAP）平均提升了5.32个百分点，在交并比（IoU）阈值为0.5下的平均精度（AP）平均提升了11.87个百分点，充分验证了DADCPL-SFD的高效性和准确性。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期