Fire Ignition Library (FIgLib)

Fire Ignition Library (FIgLib)是由加州大学圣地亚哥分校创建的一个公开可用数据集，包含近25,000张标记的野火烟雾图像，这些图像来自南加州偏远山顶上部署的固定视角摄像头。数据集反映了从2016年6月至2021年7月期间，315次火灾序列的图像，每序列通常包含火灾前后40分钟的图像，间隔约60秒。FIgLib数据集旨在为野火烟雾检测提供一个大规模、标记公开的数据集，以支持深度学习方法的研究，特别是用于实时野火烟雾检测，从而实现自动化通知系统，减少野火响应时间。Fire Ignition Library (FIgLib) is a publicly available dataset developed by the University of California, San Diego. It contains nearly 25,000 labeled wildfire smoke images captured by fixed-view cameras deployed on remote mountain tops in Southern California. The dataset encompasses images from 315 fire sequences collected between June 2016 and July 2021, with each sequence typically including 40 minutes of imagery spanning before and after the fire event, captured at approximately 60-second intervals. The primary objective of FIgLib is to offer a large-scale, publicly accessible labeled dataset for wildfire smoke detection research, specifically to support deep learning-based methods for real-time wildfire smoke detection, thereby enabling automated notification systems to reduce wildfire response times.

搜集汇总

数据集介绍

构建方式

在野火监测领域，FIgLib数据集的构建体现了对真实场景的精准捕捉。该数据集依托南加州高性能无线研究与教育网络（HPWREN）部署的固定视角摄像头，系统采集了2016年至2021年间315个野火序列的近25,000张高分辨率图像。每个序列围绕火情起始点，涵盖前后各40分钟的影像，图像间隔约60秒，完整呈现了烟雾从无到有的动态过程。数据经过严格筛选，剔除了夜间、黑白及烟雾存疑的图像，确保了样本的可靠性与代表性。此外，部分序列还辅以人工标注的边界框与轮廓掩码，为模型训练提供了细粒度的监督信号。

使用方法

该数据集主要用于训练和评估野火烟雾检测模型，尤其适用于深度学习方法的开发。研究人员可按照论文提供的划分方式，将数据分为训练、验证和测试集，确保模型在未见火情序列上的泛化能力。典型的使用流程包括图像预处理（如裁剪、分块）、应用数据增强技术，并利用时空神经网络架构（如SmokeyNet）进行端到端训练。模型可通过图像级与分块级标签进行监督学习，优化检测精度与召回率。此外，数据集还可与HPWREN档案库中的未标注数据结合，用于半监督学习或模型微调，以提升在真实部署环境中的性能。

背景与挑战

背景概述

随着全球气候变化加剧，美国西部野火发生的频率与规模显著上升，对生态环境与社会经济构成严峻威胁。在此背景下，由加州大学圣地亚哥分校计算机科学与工程系及圣地亚哥超级计算机中心的研究团队于2021年主导创建了Fire Ignition Library（FIgLib）数据集。该数据集旨在解决野火早期烟雾检测这一核心研究问题，通过部署在南加州固定视角摄像头网络，采集了涵盖2016年至2021年间315次火灾序列的近2.5万张高分辨率标注图像。FIgLib的公开提供填补了该领域大规模、高质量基准数据的空白，为基于深度学习的实时野火烟雾检测模型研发奠定了关键数据基础，显著推动了计算机视觉与遥感技术在防灾减灾领域的应用进程。

当前挑战

FIgLib数据集致力于应对野火烟雾检测这一特定领域问题的多重挑战。烟雾本身具有透明、形态多变且易与云雾、霾等自然现象混淆的特性，使得在视频序列中精准识别初期微弱烟羽变得极为困难。这要求模型不仅需具备高空间分辨率感知能力，还需融合时序动态信息以区分真实烟雾与静态干扰。在数据集构建过程中，研究团队面临了严峻的数据获取与标注难题。由于野火事件的不可预测性与危险性，大规模真实场景数据的采集依赖于稀疏分布的远程摄像头网络，导致数据覆盖范围与视角有限。此外，烟雾轮廓的模糊性为人工精确标注带来了巨大挑战，部分序列存在标注缺失或不一致的情况，需依赖复杂的插值与验证流程来保证数据质量。

常用场景

经典使用场景

在野火监测领域，FIgLib数据集为计算机视觉模型提供了真实且丰富的训练与评估基准。该数据集包含来自南加州固定视角摄像头捕捉的近25,000张标注图像，覆盖了火灾发生前后40分钟的时间序列，使得模型能够学习烟雾从初现到扩散的完整动态过程。其经典应用场景在于训练深度学习模型进行早期野火烟雾检测，通过时空信息分析，实现对烟雾的实时识别与预警，为自动化监控系统奠定数据基础。

解决学术问题

FIgLib数据集有效解决了野火烟雾检测研究中数据稀缺与质量不均的学术难题。以往研究常受限于小规模、不平衡或合成数据集，导致模型泛化能力不足。FIgLib以大规模真实场景图像序列为核心，提供了标注精细的烟雾与无烟雾样本，支持模型在复杂环境下的鲁棒性训练。该数据集推动了早期火灾检测、时空特征融合及误报抑制等关键问题的研究，为学术界建立了统一的性能评估基准，促进了深度学习在环境安全领域的应用深化。

实际应用

在实际应用中，FIgLib数据集支撑的烟雾检测系统可部署于野外监控网络，实现全天候自动化火灾预警。基于该数据集训练的模型能够集成到边缘计算设备中，实时分析摄像头流数据，并在烟雾初现时迅速向应急部门发送警报。这种技术显著缩短了火灾响应时间，有助于在火势蔓延前采取控制措施，提升森林与社区的安全防护水平，为智慧防灾体系提供了可靠的技术支撑。

数据集最近研究

最新研究方向

在野火烟雾检测领域，FIgLib数据集作为首个大规模、公开标注的固定视角摄像头图像库，正推动前沿研究聚焦于时空融合的深度学习架构优化。当前研究热点围绕提升模型在真实场景中的泛化能力，通过引入视觉Transformer、长短期记忆网络与卷积神经网络的混合模型，如SmokeyNet，以捕捉烟雾的时空动态特征。同时，结合背景减除、自监督学习与生成对抗网络的数据增强技术，旨在降低低空云层等误报率，并探索模型轻量化以适应边缘设备部署，这些进展对构建实时、高精度的自动化野火预警系统具有关键意义。

相关研究论文

• FIgLib & SmokeyNet: Dataset and Deep Learning Model for Real-Time Wildland Fire Smoke Detection

  加州大学圣地亚哥分校 · 2022年