LSA-YOLO: Lightweight Shuffling Attention for Real-time Smoke and Fire Detection

산불로 인한 재난이 증가함에 따라, 다양한 환경 조건에서도 미세한 연기 및 화재를 실시간으로 탐지할 수 있는 신뢰성 높은 시스템의 필요성이 대두되고 있다. 우리는 다중 모달 표현 학습과 시간 민감도를 향상시키기 위해 경량 셔플링 어텐션(Lightweight Shuffling Attention, LSA)을 통합한 새로운 경량 객체 탐지 프레임워크인 LSA-YOLO를 제안한다. 핵심 구성요소로는 효율적인 특성 결합을 위한 Shuffling CNN Backbone, 이미지와 텍스트 특징을 통합하여 미세한 시각 정보를 포착하는 MaxReLuCBTS Attention 메커니즘이 포함된다. 또한, 텍스트-이미지 정렬의 유연성을 높이기 위한 Flexible InfoNCE Loss와 정밀한 경계 박스 회귀를 위한 Q-IoU Loss를 함께 도입하였다. D-Fire 및 HPWREN 데이터셋 실험 결과, LSA-YOLO는 기존 경량 YOLO 계열 및 산불 특화 모델들을 능가하는 정확도(mAP@50–95 최대 60.1%)를 기록하였으며, HD 및 UHD 환경에서도 실시간 처리 속도와 낮은 지연 시간을 유지하였다. 본 논문은 LSA-YOLO가 실제 산불 감시 및 조기 경보 시스템에 적용 가능한 강력한 모델임을 증명하였다.