論文の概要: Enhanced PEC-YOLO for Detecting Improper Safety Gear Wearing Among Power Line Workers

• arxiv url: http://arxiv.org/abs/2501.13981v1
• Date: Thu, 23 Jan 2025 04:40:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:56:14.125612
• Title: Enhanced PEC-YOLO for Detecting Improper Safety Gear Wearing Among Power Line Workers
• Title（参考訳）: 電力線作業者における不適切な安全歯車装着検出のためのPEC-YOLOの強化
• Authors: Chen Zuguo, Kuang Aowei, Huang Yi, Jin Jie,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: To address the high risks associated with improper use of safety gear in complex power line environments, where target occlusion and large variance are prevalent, this paper proposes an enhanced PEC-YOLO object detection algorithm. The method integrates deep perception with multi-scale feature fusion, utilizing PConv and EMA attention mechanisms to enhance feature extraction efficiency and minimize model complexity. The CPCA attention mechanism is incorporated into the SPPF module, improving the model's ability to focus on critical information and enhance detection accuracy, particularly in challenging conditions. Furthermore, the introduction of the BiFPN neck architecture optimizes the utilization of low-level and high-level features, enhancing feature representation through adaptive fusion and context-aware mechanism. Experimental results demonstrate that the proposed PEC-YOLO achieves a 2.7% improvement in detection accuracy compared to YOLOv8s, while reducing model parameters by 42.58%. Under identical conditions, PEC-YOLO outperforms other models in detection speed, meeting the stringent accuracy requirements for safety gear detection in construction sites. This study contributes to the development of efficient and accurate intelligent monitoring systems for ensuring worker safety in hazardous environments.
• Abstract（参考訳）: 複雑な電力線環境における安全装置の不適切な使用に伴う高いリスクに対処するため,PEC-YOLOオブジェクト検出アルゴリズムを提案する。 PConv と EMA の注意機構を利用して,特徴抽出効率の向上とモデル複雑性の最小化を図る。 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、重要な情報に集中し、特に困難な状況において検出精度を高めるモデルの能力を向上させる。 さらに、BiFPNネックアーキテクチャの導入により、低レベルおよび高レベルの特徴の利用が最適化され、適応融合とコンテキスト認識機構による特徴表現が強化される。 実験の結果,提案したPEC-YOLOは, YOLOv8sと比較して検出精度が2.7%向上し, モデルパラメータが42.58%削減された。 同一条件下では、PEC-YOLOは他のモデルよりも検出速度が優れており、建設現場での安全装置検出の厳密な精度要件を満たしている。 本研究は, 危険環境における作業者の安全を確保するための, 効率的かつ正確なインテリジェントモニタリングシステムの開発に寄与する。

関連論文リスト

• Loss Landscape Analysis for Reliable Quantized ML Models for Scientific Sensing [41.89148096989836]
  機械学習(ML)モデルの損失景観を実証分析する手法を提案する。 本手法は,MLモデルのロバスト性を,量子化精度の関数や異なる正規化手法の下で評価することができる。
  論文  参考訳（メタデータ） (2025-02-12T12:30:49Z)
• Defect Detection Network In PCB Circuit Devices Based on GAN Enhanced YOLOv11 [1.6775954077761863]
  本研究では, GANを用いた改良YOLOv11モデルを用いたプリント基板(PCB)の表面欠陥検出手法を提案する。 このアプローチは、欠落穴、ラットの噛み傷、オープンサーキット、ショートサーキット、バー、仮想溶接の6つの一般的な欠陥タイプを特定することに焦点を当てている。 強化されたYOLOv11モデルはPCB欠陥データセットで評価され、精度、リコール、堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2025-01-12T17:26:24Z)
• Enhancing Road Crack Detection Accuracy with BsS-YOLO: Optimizing Feature Fusion and Attention Mechanisms [0.0]
  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。
  論文  参考訳（メタデータ） (2024-12-14T17:20:30Z)
• 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)
• MDHP-Net: Detecting Injection Attacks on In-vehicle Network using Multi-Dimensional Hawkes Process and Temporal Model [44.356505647053716]
  本稿では、インジェクションアタックとして知られる特定のタイプのサイバーアタックについて考察する。 これらのインジェクション攻撃は時間の経過とともに効果があり、徐々にネットワークトラフィックを操作し、車両の正常な機能を破壊している。 本稿では,MDHP-LSTMブロックに最適なMDHPパラメータを組み込んだインジェクション攻撃検出器MDHP-Netを提案する。
  論文  参考訳（メタデータ） (2024-11-15T15:05:01Z)
• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• Enhanced Fault Detection and Cause Identification Using Integrated Attention Mechanism [0.3749861135832073]
  本研究では、双方向長短期記憶(BiLSTM)ニューラルネットワークと統合注意機構(IAM)を統合することにより、テネシー・イーストマン・プロセス(TEP)内の障害検出と原因特定のための新しい手法を提案する。 IAMは、スケールドドット製品に対する注意力、残留注意力、動的注意力を組み合わせて、TEP障害検出に不可欠な複雑なパターンや依存関係をキャプチャする。 BiLSTMネットワークはこれらの特徴を双方向に処理して長距離依存関係をキャプチャし、IAMは出力をさらに改善し、故障検出結果が改善された。
  論文  参考訳（メタデータ） (2024-07-31T12:01:57Z)
• 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)
• VRA: Variational Rectified Activation for Out-of-distribution Detection [45.804178022641764]
  アウト・オブ・ディストリビューション(OOD)検出は、オープンな世界で信頼性の高い機械学習システムを構築する上で重要である。 ReActはモデル過信に対処する典型的な効果的な手法であり、高いアクティベーションを減らし、流通とOODのギャップを増大させる。 本稿では,これらの抑制と増幅操作を一括関数を用いてシミュレートする「変分整定活性化(VRA)'」という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-23T00:45:14Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• Deep Anomaly Detection for Time-series Data in Industrial IoT: A Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
  本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。 まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。 次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。 第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
  論文  参考訳（メタデータ） (2020-07-19T16:47:26Z)

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。