YOLO优化之双池化下采样融合块、注意力引导逆残差块

一、研究背景与挑战

火灾检测是公共安全领域的核心问题，但动态环境下的火灾检测面临多重挑战：

1. ​光照变化干扰​：强光反射或阴影易与火焰混淆
2. ​小目标检测难题​：早期火灾往往仅有烟雾或微弱火苗
3. ​特征信息丢失​：传统下采样操作导致关键细节丢失
4. ​计算效率瓶颈​：实时检测需求与模型复杂度的矛盾

现有YOLO系列模型虽具备实时检测能力，但在火灾场景存在显著缺陷：

• 标准残差块无法有效捕捉长距离依赖关系
• 常规池化操作导致空间细节丢失
• 多尺度特征融合不充分

---

二、核心技术架构

提出YOLO-FireAD框架，通过两大创新模块实现高效精准的火灾检测：

1. ​注意力引导逆残差块（AIR）​​：融合通道-空间注意力与逆残差结构
2. ​双池化下采样融合块（DPDF）​​：并行最大-平均池化保留多尺度特征