摘要

热成像是一种利用红外辐射和热能来获取物体信息的技术。与可见光成像相比，热成像具有在黑暗环境中工作以及适应光照变化的显著优势。此外，热成像还具备穿透烟雾、气溶胶、粉尘和雾气的能力，而这些因素往往是可见光成像应用（包括语义分割）中的关键限制因素。然而，当前最先进的图像语义分割方法存在两个主要问题：（i）主要集中于可见光谱图像，难以充分捕捉对应像素的上下文信息，尤其在热成像中边缘细节的表征能力不足；（ii）在高精度与高速度之间存在权衡，难以兼顾二者。针对上述挑战，本文提出了一种新型端到端可训练的卷积神经网络架构——特征横向网络（Feature Transverse Network, FTNet）。FTNet通过在多尺度分辨率下捕捉并优化特征表示，显著提升了对高分辨率图像的处理能力，同时在保证输出质量的前提下显著降低了计算成本。为验证所提FTNet的有效性，我们在多个公开可用的热成像基准数据集（包括SODA、MFNet和SCUT-Seg）上进行了大量计算机实验。实验结果表明，FTNet在多个评价维度上均优于现有先进方法，涵盖定量精度与运行速度等关键指标。相关源代码已开源，可访问 https://github.com/shreyaskamathkm/FTNet。