Fugu-MT 論文翻訳(概要): Better YOLO with Attention-Augmented Network and Enhanced Generalization Performance for Safety Helmet Detection

論文の概要: Better YOLO with Attention-Augmented Network and Enhanced Generalization Performance for Safety Helmet Detection

arxiv url: http://arxiv.org/abs/2405.02591v1
Date: Sat, 4 May 2024 07:13:47 GMT
ステータス: 処理完了
システム内更新日: 2024-05-07 19:20:44.589274
Title: Better YOLO with Attention-Augmented Network and Enhanced Generalization Performance for Safety Helmet Detection
Title（参考訳）: 注意ネットワークによるヨロ改善と安全ヘルメット検出のための一般化性能の向上
Authors: Shuqi Shen, Junjie Yang,
Abstract要約: 本稿では,GhostNetv2に基づく軽量な特徴抽出ネットワークのバックボーンを組み込むことにより,新しいアプローチを提案する。安全クリティカルな環境では、安全ヘルメットの正確な検出と速度は、作業上の危険を防止し、安全プロトコルの遵守を確保する上で重要な役割を担っている。
参考スコア（独自算出の注目度）: 16.09131958448249
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Safety helmets play a crucial role in protecting workers from head injuries in construction sites, where potential hazards are prevalent. However, currently, there is no approach that can simultaneously achieve both model accuracy and performance in complex environments. In this study, we utilized a Yolo-based model for safety helmet detection, achieved a 2% improvement in mAP (mean Average Precision) performance while reducing parameters and Flops count by over 25%. YOLO(You Only Look Once) is a widely used, high-performance, lightweight model architecture that is well suited for complex environments. We presents a novel approach by incorporating a lightweight feature extraction network backbone based on GhostNetv2, integrating attention modules such as Spatial Channel-wise Attention Net(SCNet) and Coordination Attention Net(CANet), and adopting the Gradient Norm Aware optimizer (GAM) for improved generalization ability. In safety-critical environments, the accurate detection and speed of safety helmets plays a pivotal role in preventing occupational hazards and ensuring compliance with safety protocols. This work addresses the pressing need for robust and efficient helmet detection methods, offering a comprehensive framework that not only enhances accuracy but also improves the adaptability of detection models to real-world conditions. Our experimental results underscore the synergistic effects of GhostNetv2, attention modules, and the GAM optimizer, presenting a compelling solution for safety helmet detection that achieves superior performance in terms of accuracy, generalization, and efficiency.
Abstract（参考訳）: 安全ヘルメットは、潜在的な危険が迫っている建設現場で、労働者を頭部の怪我から守る上で重要な役割を担っている。しかし、現在、複雑な環境でモデル精度と性能の両方を同時に達成できるアプローチは存在しない。本研究では,ヨロモデルを用いて安全ヘルメット検出を行い,パラメータとフロップ数を25%以上削減しつつ,mAP(平均精度)の2%向上を実現した。 YOLO(You Only Look Once)は、複雑な環境に適した、広く使われ、高性能で軽量なモデルアーキテクチャである。本稿では,GhostNetv2に基づく軽量な特徴抽出ネットワークのバックボーンを導入し,空間チャネルワイドアテンションネット(SCNet)やコーディネーションアテンションネット(CANet)などのアテンションモジュールを統合し,GAM(Gradient Norm Aware Optimizationr)を採用して一般化能力を向上する手法を提案する。安全クリティカルな環境では、安全ヘルメットの正確な検出と速度は、作業上の危険を防止し、安全プロトコルの遵守を確保する上で重要な役割を担っている。この研究は、堅牢で効率的なヘルメット検出方法の必要性に対処し、精度を向上するだけでなく、実世界の状況に対する検出モデルの適応性を向上させる包括的なフレームワークを提供する。 GhostNetv2、アテンションモジュール、およびGAMオプティマイザの相乗効果を実証し、精度、一般化、効率の点で優れた性能を実現する安全ヘルメット検出のための説得力のあるソリューションを提示した。

関連論文リスト

CIB-SE-YOLOv8: Optimized YOLOv8 for Real-Time Safety Equipment Detection on Construction Sites [4.028949797830281]
本研究では、リアルタイムヘルメット検出にYOLOを用いたコンピュータビジョンベースのソリューションを提案する。提案したCIB-SE-YOLOv8モデルでは,SEアテンション機構と修正C2fブロックが組み込まれ,検出精度と効率が向上した。
論文参考訳（メタデータ） (2024-10-28T03:07:03Z)
On the Role of Attention Heads in Large Language Model Safety [64.51534137177491]
大規模言語モデル(LLM)は、複数の言語タスクにおいて最先端のパフォーマンスを達成するが、それらの安全ガードレールを回避できる。モデル安全への個人的貢献を評価するため,マルチヘッド対応のための新しい指標として,安全ヘッドImPortant Score(Ships)を提案する。
論文参考訳（メタデータ） (2024-10-17T16:08:06Z)
Enhancing Construction Site Safety: A Lightweight Convolutional Network for Effective Helmet Detection [0.0]
本稿では,建設現場におけるヘルメットの存在を正確に分類するために設計された畳み込みニューラルネットワーク(CNN)の開発と評価について述べる。 CNNは、建設現場でヘルメットなどの個人用防護具を識別するために開発された。改良があったにも拘わらず、精度は準最適のままであり、さらなるアーキテクチャと運用の強化の段階が整った。
論文参考訳（メタデータ） (2024-09-19T11:29:18Z)
Bi-Factorial Preference Optimization: Balancing Safety-Helpfulness in Language Models [94.39278422567955]
人間の嗜好を微調整した大型言語モデル(LLM)は、その能力向上に成功している。しかし、微調整中のLLMの安全性確保は依然として重要な懸念事項である。本稿では,BFPO(Bi-Factorial Preference Optimization)と呼ばれる教師あり学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-08-27T17:31:21Z)
Cooperative Students: Navigating Unsupervised Domain Adaptation in Nighttime Object Detection [1.6624384368855527]
教師なし領域適応 (Unsupervised Domain Adaptation, UDA) は、厳密な条件下での物体検出において顕著な進歩を示した。 UDAのパフォーマンスは特に夜間の低可視性シナリオで低下する。この問題に対処するため,textbfCooperative textbfStudents (textbfCoS) フレームワークを提案する。
論文参考訳（メタデータ） (2024-04-02T14:26:18Z)
Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
論文参考訳（メタデータ） (2023-09-03T06:35:07Z)
Approximate Shielding of Atari Agents for Safe Exploration [83.55437924143615]
遮蔽の概念に基づく安全な探索のための原理的アルゴリズムを提案する。本稿では,我々の近似遮蔽アルゴリズムが安全違反率を効果的に低減することを示す予備的な結果を示す。
論文参考訳（メタデータ） (2023-04-21T16:19:54Z)
Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
論文参考訳（メタデータ） (2022-08-23T05:02:09Z)
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)
PixMix: Dreamlike Pictures Comprehensively Improve Safety Measures [65.36234499099294]
フラクタルなどの画像の自然な構造的複雑さを利用した新しいデータ拡張戦略を提案する。この課題に対処するために、フラクタルなどの画像の自然な構造的複雑さを利用した新しいデータ拡張戦略を設計する。
論文参考訳（メタデータ） (2021-12-09T18:59:31Z)
Neural Network Repair with Reachability Analysis [10.384532888747993]
安全は次世代の自律性にとって重要な問題であり、知覚と制御のためにディープニューラルネットワークに大きく依存する可能性が高い。本研究は,安全クリティカルシステムにおける安全でないDNNを到達可能性解析で修復する枠組みを提案する。
論文参考訳（メタデータ） (2021-08-09T17:56:51Z)

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。