論文の概要: Enhancing Road Crack Detection Accuracy with BsS-YOLO: Optimizing Feature Fusion and Attention Mechanisms

• arxiv url: http://arxiv.org/abs/2412.10902v1
• Date: Sat, 14 Dec 2024 17:20:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:57:40.147588
• Title: Enhancing Road Crack Detection Accuracy with BsS-YOLO: Optimizing Feature Fusion and Attention Mechanisms
• Title（参考訳）: BsS-YOLOによる道路亀裂検出精度の向上:特徴融合と注意機構の最適化
• Authors: Jiaze Tang, Angzehua Feng, Vladimir Korkhov, Yuxi Pu,
• Abstract要約: 本稿では、拡張パス集約ネットワーク(PAN)と双方向特徴ピラミッドネットワーク(BiFPN)によるマルチスケール特徴融合を最適化するBsS-YOLOモデルを提案する。 重み付き特徴融合の導入は、特徴表現を改善し、検出精度を高め、堅牢性を高める。 実験の結果, BsS-YOLOは道路亀裂検出における平均平均精度(mAP)が2.8%向上し, 多様なシナリオに適用可能であることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Effective road crack detection is crucial for road safety, infrastructure preservation, and extending road lifespan, offering significant economic benefits. However, existing methods struggle with varied target scales, complex backgrounds, and low adaptability to different environments. This paper presents the BsS-YOLO model, which optimizes multi-scale feature fusion through an enhanced Path Aggregation Network (PAN) and Bidirectional Feature Pyramid Network (BiFPN). The incorporation of weighted feature fusion improves feature representation, boosting detection accuracy and robustness. Furthermore, a Simple and Effective Attention Mechanism (SimAM) within the backbone enhances precision via spatial and channel-wise attention. The detection layer integrates a Shuffle Attention mechanism, which rearranges and mixes features across channels, refining key representations and further improving accuracy. Experimental results show that BsS-YOLO achieves a 2.8% increase in mean average precision (mAP) for road crack detection, supporting its applicability in diverse scenarios, including urban road maintenance and highway inspections.
• Abstract（参考訳）: 効果的な道路亀裂検出は、道路の安全、インフラの保全、道路の寿命の延長に不可欠であり、経済的に有益である。 しかし、既存の手法は、様々な目標スケール、複雑な背景、異なる環境への適応性に苦慮している。 本稿では,Path Aggregation Network (PAN)とBidirectional Feature Pyramid Network (BiFPN)によるマルチスケール機能融合を最適化するBsS-YOLOモデルを提案する。 重み付き特徴融合の導入は、特徴表現を改善し、検出精度を高め、堅牢性を高める。 さらに、背骨内の単純かつ効果的な注意機構(SimAM)は、空間的およびチャネル的注意による精度を高める。 検出層はShuffle Attentionメカニズムを統合し、チャンネル間で機能を並べ替え、ミックスし、キー表現を精細化し、精度をさらに向上する。 実験の結果,BsS-YOLOは道路亀裂検出における平均平均精度(mAP)が2.8%向上し,都市道路整備や高速道路検査など様々なシナリオで適用可能であることがわかった。

関連論文リスト

• Enhanced PEC-YOLO for Detecting Improper Safety Gear Wearing Among Power Line Workers [0.0]
  本稿では,PEC-YOLOオブジェクト検出アルゴリズムを提案する。 この手法は、深層認識とマルチスケール特徴融合を統合する。 CPCAアテンションメカニズムはSPPFモジュールに組み込まれ、重要な情報にフォーカスするモデルの能力を向上させる。
  論文  参考訳（メタデータ） (2025-01-23T04:40:08Z)
• Auto-RT: Automatic Jailbreak Strategy Exploration for Red-Teaming Large Language Models [62.12822290276912]
  Auto-RTは、複雑な攻撃戦略を探索し最適化する強化学習フレームワークである。 探索効率を大幅に改善し、攻撃戦略を自動的に最適化することにより、Auto-RTはボーダの脆弱性範囲を検出し、検出速度が速く、既存の方法と比較して16.63%高い成功率を達成する。
  論文  参考訳（メタデータ） (2025-01-03T14:30:14Z)
• Research on vehicle detection based on improved YOLOv8 network [0.0]
  本稿では,改良型YOLOv8車両検出手法を提案する。 改良されたモデルは98.3%、89.1%、そして88.4%の精度で車、人、オートバイを検出できる。
  論文  参考訳（メタデータ） (2024-12-31T06:19:26Z)
• Efficient Detection Framework Adaptation for Edge Computing: A Plug-and-play Neural Network Toolbox Enabling Edge Deployment [59.61554561979589]
  エッジコンピューティングは、時間に敏感なシナリオでディープラーニングベースのオブジェクト検出をデプロイするための重要なパラダイムとして登場した。 既存のエッジ検出手法では、軽量モデルによる検出精度のバランスの難しさ、適応性の制限、現実の検証の不十分といった課題に直面している。 本稿では,汎用的なプラグイン・アンド・プレイコンポーネントを用いてエッジ環境にオブジェクト検出モデルを適用するエッジ検出ツールボックス(ED-TOOLBOX)を提案する。
  論文  参考訳（メタデータ） (2024-12-24T07:28:10Z)
• Dynamic Attention and Bi-directional Fusion for Safety Helmet Wearing Detection [5.120876889250054]
  本稿では,検出ヘッドに動的注意を取り入れた安全ヘルメット着用のための新しいアルゴリズムを提案する。 MAP@[.5:.95]は最良ベースラインに比べて1.7%改善され、GFLOPは11.9%縮小された。
  論文  参考訳（メタデータ） (2024-11-28T11:33:51Z)
• YOLO-TS: Real-Time Traffic Sign Detection with Enhanced Accuracy Using Optimized Receptive Fields and Anchor-Free Fusion [15.571409945909243]
  本稿では,新しいリアルタイムかつ効率的な道路標識検出ネットワーク YOLO-TS を提案する。 このネットワークは,マルチスケール特徴写像の受容場を最適化することにより,性能を著しく向上させる。 我々の革新的な機能融合戦略は、アンカーフリー手法の柔軟性を活用し、精度と速度の両面で顕著な向上を実現している。
  論文  参考訳（メタデータ） (2024-10-22T16:19:55Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• 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)
• View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
  本稿では,屋外ロボットのための微細な自己局在化手法を提案する。 提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。 これは、動的環境における知覚を増強する初めての疎視のみの手法である。
  論文  参考訳（メタデータ） (2023-08-16T02:51:52Z)
• 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)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)

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。