FLAME

arXiv2025-09-30 收录

下载链接：

https://github.com/alirezashamsoshoara/fire-detection-uav-aerial-image-classification-segmentation-unmannedaerialvehicle

下载链接

链接失效反馈

官方服务：

资源简介：

该数据集名为FLAME，由在美国亚利桑那州北部可控堆烧期间无人机拍摄的图像组成。它包含了带有火焰的图像（火警图像）和其他不包含任何火焰的图像（非火警图像），以及由无人机拍摄的视频中的连续帧。该数据集展现了显著相似性的多种图像，使得能够评估FL数据集预期的非独立同分布行为。本地数据集被划分为80%用于训练，20%用于测试。相关任务是联邦学习参与者选择。

This dataset, named FLAME, consists of images captured by drones during controlled pile burns in northern Arizona, USA. It includes two categories of images: those containing flames (fire images) and those without any flames (non-fire images), as well as consecutive frames extracted from drone-captured videos. This dataset features multiple groups of images with notable similarity, enabling the assessment of the expected non-independent and identically distributed (non-IID) behavior of federated learning (FL) datasets. The local dataset is split into 80% for training and 20% for testing. The relevant task is federated learning participant selection.

搜集汇总

数据集介绍

构建方式

FLAME数据集是一个公开的无人机航拍火灾图像与视频集合，其构建基于对真实森林火灾场景的空中影像采集。研究者从该数据集的第七和第八个存储库中提取了用于图像分类的39,375张训练/验证图像与8,617张测试图像，所有图像分辨率均为254×254。为适配视频分类任务，他们将连续64帧图像定义为视频样本，若任意一帧被标注为包含火焰，则该样本整体标记为火灾视频，最终构建了包含615个训练片段与134个测试片段的数据集，其中火灾与非火灾样本比例约为2:1。

使用方法

使用FLAME数据集时，研究者可将其直接用于图像分类任务，或通过定义连续帧序列进行视频级分析。论文中建议利用策略网络对视频帧进行重要性评分，并基于评分结果选择高价值帧构建精简数据集，从而在保持高分类精度的同时显著降低计算开销。例如，采用AccSampler方法仅选取8帧即可达到与全64帧分析相当的准确率。此外，该数据集也可作为预训练或迁移学习的基准，配合轻量级模型（如MobileNet-v2）部署于无人机边缘计算设备上，实现实时火灾监测。

背景与挑战

背景概述

森林火灾作为对生命与生态环境构成严重威胁的自然灾害，近年来备受关注。无人机凭借其高效获取实时地面信息的能力，在灾后监测与响应中扮演着日益关键的角色。FLAME数据集正是在此背景下应运而生，由Shamsoshoara等研究者于2021年创建，旨在为基于深度学习的无人机火灾探测提供标准化图像与视频资源。该数据集包含大量由无人机拍摄的真实火灾场景影像，覆盖不同光照与地形条件，为轻量化、高效能的火灾识别模型研究奠定了坚实基础。其影响力不仅体现在推动了计算机视觉在灾害应急领域的应用，更促进了无人机平台与人工智能技术的深度融合，成为该领域重要的基准数据集之一。

当前挑战

FLAME数据集所面临的挑战主要集中于两大层面。首先，在领域问题层面，现有深度学习模型虽在火灾识别精度上不断突破，却普遍忽视了无人机平台有限的计算资源，难以满足实时视频处理的需求。如何在保证检测准确性的同时大幅降低计算开销，成为亟待解决的核心难题。其次，在数据集构建过程中，无人机航拍视频常受气流扰动、相机抖动等因素影响，导致画面模糊、帧间突变频繁，增加了有效信息提取的难度。此外，数据集样本规模有限且场景同质性较高，使得复杂模型易陷入过拟合，进一步制约了模型泛化能力的提升。

常用场景

经典使用场景

在森林火灾监测领域，无人机搭载的视觉系统需要在有限的计算资源下实现实时火情分析。FLAME数据集作为无人机航拍火灾视频与图像的公开集合，其经典使用场景在于验证和优化轻量级视频理解模型。研究者利用该数据集评估帧压缩与关键帧选择策略，例如AccSampler通过将多个连续帧融合为单帧并动态调整分辨率，在保持高检测精度的同时将计算开销降低十余倍，为边缘设备上的实时火灾预警提供了高效基准。

解决学术问题

该数据集核心解决了无人机火灾监测中精度与计算效率的权衡难题。传统深度模型追求高准确率却忽略机载算力限制，FLAME通过提供标注清晰的航拍火灾视频，支持研究者设计轻量化架构与帧采样策略。AccSampler等模型在此数据集上验证了通过策略网络剔除冗余帧、利用station point增强时空特征的方法，使分类准确率提升3%的同时计算成本降至原来的1/13，推动了资源受限场景下高效视频识别的学术进展。

实际应用

实际应用中，FLAME数据集支撑了无人机森林防火系统的智能化升级。基于该数据集训练的模型可部署于小型无人机，实现火点实时检测与灾情评估。例如，AccSampler的帧选择模块能从64帧视频中精炼出8帧关键信息，使后续分类模型在保持87.3%精度的前提下大幅缩短处理时延，适用于应急响应中的快速火情研判。此外，其压缩机制可适配不同骨干网络，为多灾种监测（如地震建筑损毁评估）提供了可迁移的轻量化方案。

数据集最近研究