論文の概要: YOLOv5s-GTB: light-weighted and improved YOLOv5s for bridge crack detection

• arxiv url: http://arxiv.org/abs/2206.01498v1
• Date: Fri, 3 Jun 2022 10:52:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-06 14:43:58.368039
• Title: YOLOv5s-GTB: light-weighted and improved YOLOv5s for bridge crack detection
• Title（参考訳）: YOLOv5s-GTB:橋梁割れ検出のための軽量化および改良型YOLOv5s
• Authors: Xiao Ruiqiang
• Abstract要約: 本研究は,モバイルデバイスのシナリオに展開可能な,軽量,高精度,深層学習に基づく橋梁明瞭き裂認識モデルを提案する。 YOLOv5は、比較と検証のための実験を通じて、軽量き裂検出モデルの基本的なフレームワークとして同定されている。 改良されたモデルではパラメータが42%減少し,推論応答が高速になった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In response to the situation that the conventional bridge crack manual detection method has a large amount of human and material resources wasted, this study is aimed to propose a light-weighted, high-precision, deep learning-based bridge apparent crack recognition model that can be deployed in mobile devices' scenarios. In order to enhance the performance of YOLOv5, firstly, the data augmentation methods are supplemented, and then the YOLOv5 series algorithm is trained to select a suitable basic framework. The YOLOv5s is identified as the basic framework for the light-weighted crack detection model through experiments for comparison and validation.By replacing the traditional DarkNet backbone network of YOLOv5s with GhostNet backbone network, introducing Transformer multi-headed self-attention mechanism and bi-directional feature pyramid network (BiFPN) to replace the commonly used feature pyramid network, the improved model not only has 42% fewer parameters and faster inference response, but also significantly outperforms the original model in terms of accuracy and mAP (8.5% and 1.1% improvement, respectively). Luckily each improved part has a positive impact on the result. This paper provides a feasible idea to establish a digital operation management system in the field of highway and bridge in the future and to implement the whole life cycle structure health monitoring of civil infrastructure in China.
• Abstract（参考訳）: 本研究は,従来の橋のひび割れ検出手法が大量の人的・材料的資源を無駄にしている状況に対して,モバイルデバイスのシナリオに展開可能な軽量で高精度で深層学習に基づく橋の目に見える亀裂認識モデルを提案する。 YOLOv5の性能を向上させるために、まずデータ拡張法を補足し、次にYOLOv5系列のアルゴリズムを訓練して、適切な基本フレームワークを選択する。 The YOLOv5s is identified as the basic framework for the light-weighted crack detection model through experiments for comparison and validation.By replacing the traditional DarkNet backbone network of YOLOv5s with GhostNet backbone network, introducing Transformer multi-headed self-attention mechanism and bi-directional feature pyramid network (BiFPN) to replace the commonly used feature pyramid network, the improved model not only has 42% fewer parameters and faster inference response, but also significantly outperforms the original model in terms of accuracy and mAP (8.5% and 1.1% improvement, respectively). 幸運にも、改善した各部分が結果にポジティブな影響を与えています。 本稿では,今後,高速道路と橋梁の分野におけるデジタル運用管理システムの確立と,中国の公共インフラのライフサイクル構造全体の健康モニタリングを実現するための実現可能性について述べる。

関連論文リスト

• YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision [0.6662800021628277]
  本稿では、YOLOv5, YOLOv8, YOLOv10に着目し、YOLO(You Only Look Once)オブジェクト検出アルゴリズムの進化に焦点を当てた。 これらのバージョンにまたがるエッジデプロイメントのアーキテクチャの進歩、パフォーマンスの改善、適合性を分析します。
  論文  参考訳（メタデータ） (2024-07-03T10:40:20Z)
• YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
  リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。 非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
  論文  参考訳（メタデータ） (2024-05-23T11:44:29Z)
• Fostc3net:A Lightweight YOLOv5 Based On the Network Structure Optimization [11.969138981034247]
  本稿では,モバイル機器向けにカスタマイズされた軽量YOLOv5技術を提案する。 提案モデルでは,検出精度が1%向上し,FLOPが13%減少し,既存のYOLOv5に比べてモデルパラメータが26%減少した。
  論文  参考訳（メタデータ） (2024-03-20T16:07:04Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Improvement and Enhancement of YOLOv5 Small Target Recognition Based on Multi-module Optimization [9.125818713673366]
  モデルの性能は、GhostNetベースの畳み込みモジュール、RepGFPNベースのネックモジュール最適化、CAとTransformerのアテンション機構、NWDによる損失関数の改善によって向上した。 改善されたモデルは、現実世界のアプリケーションテストにおいて、複雑なバックグラウンドと小さなターゲットを扱う上で、大きな優位性を示している。
  論文  参考訳（メタデータ） (2023-10-03T05:39:36Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• An Improved Lightweight YOLOv5 Model Based on Attention Mechanism for Face Mask Detection [3.3398969693904723]
  YOLOv5に基づく軽量マスク検出器を提案する。 平均精度は95.2%で、ベースラインよりも4.4%高く、既存のモデルよりも正確である。
  論文  参考訳（メタデータ） (2022-03-30T17:41:21Z)
• Improved YOLOv5 network for real-time multi-scale traffic sign detection [4.5598087061051755]
  本稿では,アダプティブアテンションモジュール (AAM) と機能拡張モジュール (FEM) を利用して特徴マップ生成の過程での情報損失を低減する機能ピラミッドモデル AF-FPN を提案する。 YOLOv5の本来の特徴ピラミッドネットワークをAF-FPNに置き換え、YOLOv5ネットワークのマルチスケールターゲットの検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-12-16T11:02:12Z)
• Benchmarking Detection Transfer Learning with Vision Transformers [60.97703494764904]
  オブジェクト検出メソッドの複雑さは、ViT(Vision Transformer)モデルのような新しいアーキテクチャが到着するときに、ベンチマークを非簡単にする。 本研究では,これらの課題を克服し,標準的なVTモデルをMask R-CNNのバックボーンとして活用する訓練手法を提案する。 その結果,最近のマスキングに基づく教師なし学習手法は,COCOにおける説得力のあるトランスファー学習改善をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2021-11-22T18:59:15Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• Progressively Guided Alternate Refinement Network for RGB-D Salient Object Detection [63.18846475183332]
  我々は,RGB-Dの高次物体検出のための効率的かつコンパクトなディープネットワークを開発することを目指している。 そこで本研究では,改良のための改良ネットワークを提案する。 我々のモデルは、既存の最先端のアプローチよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2020-08-17T02:55:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。