EF-YOLO: Detecting Small Targets in Early-Stage Agricultural Fires via UAV-Based Remote Sensing

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Computer vision researchers can adopt the joint optimization approach for small-object detection in resource-constrained settings.

🏢実務担当者:Agricultural tech firms can deploy EF-YOLO in edge devices for early fire warning systems.

🏛政策担当者:Environmental agencies may consider this technology for improving agricultural fire monitoring and reducing related emissions.

無人航空機（UAV）による農業火災の早期検知は環境安全にとって重要であるが、着火の手がかりが極めて小さく、煙のパターンが多様であり、農地のシーンには鏡面反射などの強い背景干渉がしばしば含まれるため、依然として困難である。モデル開発はさらに、初期着火段階のデータが不足していることによって制約を受けている。これらの課題に対処するため、我々はデータとモデルの共同最適化フレームワークを提案する。まず、ROI誘導型合成パイプラインを通じてハイブリッドデータセットを構築する。このパイプラインでは、潜在拡散モデルを用いて、高忠実度で慎重に選別された火災サンプルを実際の農地背景に挿入する。次に、小目標に対する高感度を目的として設計された検出器であるEF-YOLOを導入する。このネットワークは、空間ダウンサンプリング時の特徴損失を低減するためにSPD-Convを使用し、微小物体の検出を改善するための高解像度P2ヘッドを含む。背景のクラッタを低減するため、Dual-Path Frequency–Spatial Enhancement（DP-FSE）モジュールが軽量な統計的代理として機能し、グローバルな文脈的手がかりと局所的な顕著な特徴を並行して抽出し、それによって高周波ノイズを抑制する。実験結果は、EF-YOLOがサブピクセル目標に対してAPS 40.2%を達成し、YOLOv8sベースラインを15.4パーセントポイント上回ることを示している。再現率88.7%とリアルタイム推論速度78 FPSにより、提案フレームワークは検出性能と効率の間の強力なバランスを提供し、エッジ展開型農業火災早期警報システムに非常に適している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Early detection of agricultural fires with Unmanned Aerial Vehicles (UAVs) is important for environmental safety, yet it remains difficult because ignition cues are extremely small, smoke patterns vary widely, and farmland scenes often contain strong background interference such as specular reflections. Model development is further constrained by the scarcity of data from the early ignition stage. To address these challenges, we propose a joint data and model optimization framework. We first build a hybrid dataset through an ROI-guided synthesis pipeline, in which latent diffusion models are used to insert high-fidelity, carefully screened fire samples into real farmland backgrounds. We then introduce EF-YOLO, a detector designed for high sensitivity to small targets. The network uses SPD-Conv to reduce feature loss during spatial downsampling and includes a high-resolution P2 head to improve the detection of minute objects. To reduce background clutter, a Dual-Path Frequency–Spatial Enhancement (DP-FSE) module serves as a lightweight statistical surrogate that extracts global contextual cues and local salient features in parallel, thereby suppressing high-frequency noise. Experimental results show that EF-YOLO achieves an APS of 40.2% on sub-pixel targets, exceeding the YOLOv8s baseline by 15.4 percentage points. With a recall of 88.7% and a real-time inference speed of 78 FPS, the proposed framework offers a strong balance between detection performance and efficiency, making it well suited for edge-deployed agricultural fire early-warning systems.

• openalex https://doi.org/10.3390/rs18081119first seen 2026-05-05 19:51:55