Fugu-MT 論文翻訳(概要): CIB-SE-YOLOv8: Optimized YOLOv8 for Real-Time Safety Equipment Detection on Construction Sites

論文の概要: CIB-SE-YOLOv8: Optimized YOLOv8 for Real-Time Safety Equipment Detection on Construction Sites

arxiv url: http://arxiv.org/abs/2410.20699v1
Date: Mon, 28 Oct 2024 03:07:03 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-29 12:22:32.044165
Title: CIB-SE-YOLOv8: Optimized YOLOv8 for Real-Time Safety Equipment Detection on Construction Sites
Title（参考訳）: CIB-SE-YOLOv8:建設現場におけるリアルタイム安全装置検出のための最適化YOLOv8
Authors: Xiaoyi Liu, Ruina Du, Lianghao Tan, Junran Xu, Chen Chen, Huangqi Jiang, Saleh Aldwais,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.028949797830281
License:
Abstract: Ensuring safety on construction sites is critical, with helmets playing a key role in reducing injuries. Traditional safety checks are labor-intensive and often insufficient. This study presents a computer vision-based solution using YOLO for real-time helmet detection, leveraging the SHEL5K dataset. Our proposed CIB-SE-YOLOv8 model incorporates SE attention mechanisms and modified C2f blocks, enhancing detection accuracy and efficiency. This model offers a more effective solution for promoting safety compliance on construction sites.
Abstract（参考訳）: 建設現場での安全確保は重要であり、ヘルメットは怪我の軽減に重要な役割を果たしている。伝統的な安全チェックは労働集約的であり、しばしば不十分である。本研究は, SHEL5Kデータセットを用いて, 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。このモデルは、建設現場の安全コンプライアンスを促進するための、より効果的なソリューションを提供する。

関連論文リスト

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)
Nothing in Excess: Mitigating the Exaggerated Safety for LLMs via Safety-Conscious Activation Steering [56.92068213969036]
重大言語モデル(LLM)が悪意のある命令から脅威を守るためには、安全性の調整が不可欠である。近年の研究では、過大な安全性の問題により、安全性に配慮したLCMは、良質な問い合わせを拒否する傾向にあることが明らかになっている。過大な安全性の懸念を和らげるために,SCANS法を提案する。
論文参考訳（メタデータ） (2024-08-21T10:01:34Z)
Target Detection of Safety Protective Gear Using the Improved YOLOv5 [6.517811916515857]
本稿では, 背骨の畳み込み層にECAを組み込むことにより, 安全対策検出を向上する革新的モデルであるYOLO-EAを提案する。 YOLO-EAの有効性は、実際の鉄道建設現場の監視映像から得られたデータセットを用いて実証的に実証された。
論文参考訳（メタデータ） (2024-08-12T07:33:11Z)
What Makes and Breaks Safety Fine-tuning? A Mechanistic Study [64.9691741899956]
安全性の微調整は、大規模な言語モデル(LLM)を、安全なデプロイメントのための人間の好みに合わせるのに役立つ。安全でない入力の健全な側面をキャプチャする合成データ生成フレームワークを設計する。これを用いて,3つのよく知られた安全微調整手法について検討する。
論文参考訳（メタデータ） (2024-07-14T16:12:57Z)
GSO-YOLO: Global Stability Optimization YOLO for Construction Site Detection [4.2114456503277315]
本研究では,GSO-YOLO(Global stability Optimization YOLO)モデルを用いて,複雑な建設現場の課題に対処する。このモデルはグローバル・オプティマイズ・モジュール(GOM)とステアディ・キャプチャ・モジュール(SCM)を統合し、グローバル・コンテクスト情報取得と検出安定性を向上させる。 SODA、MOCS、CISといったデータセットの実験では、GSO-YOLOが既存のメソッドよりも優れており、SOTAのパフォーマンスが達成されている。
論文参考訳（メタデータ） (2024-07-01T02:15:27Z)
YOLO9tr: A Lightweight Model for Pavement Damage Detection Utilizing a Generalized Efficient Layer Aggregation Network and Attention Mechanism [0.0]
本稿では,舗装損傷検出のための軽量物体検出モデルYOLO9trを提案する。 YOLO9trはYOLOv9アーキテクチャに基づいており、機能抽出とアテンション機構を強化する部分的なアテンションブロックを備えている。このモデルは、最大136FPSのフレームレートを実現し、ビデオ監視や自動検査システムなどのリアルタイムアプリケーションに適合する。
論文参考訳（メタデータ） (2024-06-17T06:31:43Z)
A Deep Learning Approach to Detect Complete Safety Equipment For Construction Workers Based On YOLOv7 [0.0]
本研究では,建設作業員が着用する安全装置を同定する深層学習技術を提案する。推奨されるアプローチは、YOLO v7オブジェクト検出アルゴリズムを使用して、これらの安全アイテムを正確に検出する。トレーニングされたモデルでは,安全機器認識のための精度,リコール,F1スコアが良好に動作した。
論文参考訳（メタデータ） (2024-06-11T20:38:41Z)
Safety through Permissibility: Shield Construction for Fast and Safe Reinforcement Learning [57.84059344739159]
シールドディング」は、強化学習(RL)の安全性を強制する一般的な手法である安全と遮蔽構造に対処する新しい許容性に基づく枠組みを提案する。
論文参考訳（メタデータ） (2024-05-29T18:00:21Z)
Better YOLO with Attention-Augmented Network and Enhanced Generalization Performance for Safety Helmet Detection [16.09131958448249]
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。
論文参考訳（メタデータ） (2024-05-04T07:13:47Z)
Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
本稿では、国家安全RLの観点から、この領域における先行研究を再考する。安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
論文参考訳（メタデータ） (2022-12-12T06:30:17Z)
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)

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。