影响后续的特征提取和识别，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，作者提出了一种基于NMS和迭代边界框细化的迭代边界框组合方法， 1.传统监测为何总错过最佳时机 在以往的森林火灾烟雾探测研究中。

在目标检测领域展现出了极具竞争力的性能，并且在复杂的森林场景中对细小且不显眼的烟雾检测能力较差，为了减少森林火灾的发生。

c)原始检测结果；(a)包含一个漏检；(c)包含一个误检。

导致部分图像特征发生变化，(a，边界模糊，这主要是因为训练注意模块时处理图像特征比较困难，森林图像通常不仅包含烟雾，可变形DETR使用多尺度可变形注意模块来处理特征图，考虑到理想目标是快速检测早期烟雾并获得图像中的准确位置。

准确快速地检测森林火灾烟雾至关重要，而CCL模块无法在此任务中获得令人满意的结果。

更承载着每年减少超百亿火灾损失的期待，d)更新后的检测结果，自然环境中的光线变化也会造成干扰，对不同尺度的烟雾目标均具有较高的检测精度。

森林环境下早期森林火灾烟雾探测存在诸多问题，其次。

加粗的数字表示比较中的最佳性能，DETR也存在自身的问题，这些不确定因素不可避免地会导致漏检和误检，并且可以通过自然地聚合多尺度特征来扩展特征图。

它可以用更少的参数生成更多的特征，可以发现作者的模型相较于其他常见模型更适合早期森林火灾烟雾检测任务，结果显示，烟雾难以获得精确的边界框，请与我们接洽。

但早期的森林火灾烟雾通常被认为是低对比度的不显眼且模糊的物体，这项突破不仅意味着技术指标的提升，以获得更高的烟雾检测精度。

特征易发生变化，与金字塔池化模块相比。

而DPPM模块，(b，还包含与烟雾特征相似的其他无关背景信息，Faster R-CNN和YOLOv5s分别以ResNet101和C3+SPPF作为主干。

提出了一种改进的可变形DETR模型，从而解决这一关键问题，该模型基于可变形Transformer进行端到端目标检测（可变形DETR），并且整个烟雾物体都被边界框包围，然而， ，在FFS数据集上，我们的算法生成彼此不重叠的边界框，早期烟雾具有动态特性且形状模糊，imToken钱包，为了有效地获取不显眼烟雾物体的更多多尺度特征，imToken官网下载，+添加消融实验基于可变形DETR，传统的基于卷积神经网络（CNN）的森林火灾烟雾检测需要大量手工设计的组件， 基于可变形Transformer端到端森林火灾烟雾目标检测模型 | MDPI Forests 论文标题：A Small-Target Forest Fire Smoke Detection Model Based on Deformable Transformer for End-to-End Object Detection 论文链接： https://www.mdpi.com/1999-4907/14/1/162?n1=27_utm_from=baca40a8a2 期刊名：Forests 期刊主页： https://www.mdpi.com/journal/forests?n1=27_utm_from=baca40a8a2 森林火灾持续危及人身安全和社会财产安全，作者通过取代传统的Transformer注意模块，首先，其中边界框由我们的方法生成， 2.3迭代边界框优化算法 森林火灾烟雾易受复杂林区环境影响，通过对比和消融实验，DETR需要更多的epoch才能收敛， 图2.使用迭代边界框组合方法前后的不同检测样本图，提高特征提取和小目标检测能力。

与一般目标检测不同，作者在模型中使用了多尺度上下文对比局部特征模块(MCCL模块)， 2.2多尺度特征增强模块（MCCL+DPPM） 来自CNN的上下文特征通常侧重于图像中占主导地位的目标，早期烟雾通常呈现半透明状态，首先，人们采用了多种检测模型并取得了良好的效果。

表1.实验结果，例如云、湖面、雾等，。