Η έγκαιρη ανίχνευση δασικών πυρκαγιών αποτελεί έναν από τους κρισιμότερους παράγοντες για τον περιορισμό των περιβαλλοντικών, οικονομικών και των ευρύτερων κοινωνικών επιπτώσεών τους. Η ραγδαία εξέλιξη της Τεχνητής Νοημοσύνης και ιδιαίτερα των τεχνικών Βαθιάς Μάθησης έχει οδηγήσει στην ανάπτυξη αποδοτικών συστημάτων αυτόματης αναγνώρισης πυρκαγιών από εικόνεςdrones, αξιοποιώντας τόσο συνελικτικά νευρωνικά δίκτυα (CNNs) όσο και αρχιτεκτονικές βασισμένες στους Vision Transformers (ViTs). Στην πορεία της προόδου αυτής, ανακύπτει το ερώτημα κατά πόσο η διαδικασία fine-tuning μπορεί να βελτιώσει με συνέπεια την απόδοση διαφορετικών αρχιτεκτονικών σε διαφορετικά σύνολα δεδομένων.

Σκοπός της παρούσας εργασίας είναι η συγκριτική αξιολόγηση έξι σύγχρονων μοντέλων βαθιάς μάθησης (SigLIP2, SegFormer-B0, YOLOv26, EdBianchi ViT, Superflash41 και ConvNeXt) τόσο στην προεκπαιδευμένη (pretrained) όσο και στη fine-tuned εκδοχή τους. Η αξιολόγηση πραγματοποιείται σε τρία ευρέως χρησιμοποιούμενα σύνολα δεδομένων ανίχνευσης πυρκαγιάς (FASDD, FLAME και DFire), χρησιμοποιώντας κοινό πειραματικό πλαίσιο και ίδιες υπερπαραμέτρους εκπαίδευσης, ώστε να διασφαλίζεται η αντικειμενική σύγκριση τωναποτελεσμάτων.

Η αξιολόγηση βασίζεται σε ποσοτικές μετρικές (Accuracy, Precision, Recall και F1-score), στους Confusion Matrices, καθώς και σε τεχνικές επεξηγήσιμης τεχνητής νοημοσύνης ( XAI), όπως η οπτικοποίηση του χώρου χαρακτηριστικών μέσω t-SNE και η ανάλυση των περιοχών που στρέφουν την προσοχή τους τα μοντέλα μέσω της μεθόδου Grad-CAM. Η συνδυαστική αξιοποίηση των παραπάνω τεχνικώνεπιτρέπει όχι μόνο την αξιολόγηση της ακρίβειας των μοντέλων αλλά και την ερμηνεία της εσωτερικής λειτουργίας και του τρόπου λήψης των αποφάσεών τους.

Τα πειραματικά αποτελέσματα δείχνουν ότι η επίδραση του fine-tuning διαφέρει σημαντικά μεταξύ των εξεταζόμενων αρχιτεκτονικών και των συνόλων δεδομένων. Μοντέλα όπως το ConvNeXt και το EdBianchi ViT παρουσίασαν ιδιαίτερα σημαντική βελτίωση της απόδοσής τους μετά την προσαρμογή, ενώ σε άλλες περιπτώσεις, όπως το SegFormer-B0 ή το SigLIP2 σε συγκεκριμένα σύνολα δεδομένων, το fine-tuning δεν οδήγησε σε αντίστοιχη βελτίωση ή ακόμη και υποβάθμισε την απόδοση. Τα ευρήματα της εργασίας αναδεικνύουν ότι η αποτελεσματικότητα του fine-tuning εξαρτάται τόσο από τα χαρακτηριστικά της αρχιτεκτονικής όσο και από τη φύση και τη δομή του συνόλου δεδομένων. Επιβεβαιώνεται έτσι η ανάγκη της πολυδιάστατης αξιολόγησης των μοντέλων μέσω συνδυασμού ποσοτικών μετρικών και τεχνικών επεξηγησιμότητας.

Early forest fire detection is one of the most critical factors in mitigating the environmental, economic, and broader societal impacts of wildfires. Recent advances in Artificial Intelligence, and particularly in Deep Learning techniques, have led to the development of highly effective automatic fire detection systems based on drone imagery, employing both Convolutional Neural Networks (CNNs) and Vision Transformer (ViT) architectures. Despite this progress, an important research question remains as to whether the fine-tuning process can consistently improve the performance of different deep learning architectures across different datasets.

The aim of this thesis is to perform a comparative evaluation of six state-of-the-art deep learning models (SigLIP2, SegFormer-B0, YOLOv26, EdBianchi ViT, Superflash41, and ConvNeXt) in both their pretrained and fine-tuned versions. The evaluation is conducted on three widely used fire detection datasets (FASDD, FLAME, and DFire) under a common experimental framework and identical training hyperparameters to ensure a fair and objective comparison of the results.

Model performance is assessed using quantitative evaluation metrics, including Accuracy, Precision, Recall, and F1-score, as well as Confusion Matrices. In addition, Explainable Artificial Intelligence (XAI) techniques are employed to investigate the internal behavior of the models through t-SNE feature space visualization and Grad-CAM-based attention map analysis. The combined use of these evaluation approaches provides not only a quantitative assessment of model performance but also valuable insights into the internal feature representations and decision-making mechanisms of the examined architectures.

The experimental results demonstrate that the effectiveness of fine-tuning varies considerably across both model architectures and datasets. Models such as ConvNeXt and EdBianchi ViT exhibited substantial performance improvements following fine-tuning, whereas in other cases, including SegFormer-B0 and SigLIP2 on specific datasets, fine-tuning failed to produce comparable improvements or even degraded model performance. These findings indicate that the effectiveness of fine-tuning depends not only on the architectural characteristics of the model but also on the nature and structure of the training dataset. Consequently, the study highlights the importance of multifaceted model evaluation through the combined use of quantitative performance metrics and explainability techniques.