論文の概要: YOLO-AMC: An Improved YOLO Architecture with Attention Mechanisms for Building Crack Detection

• arxiv url: http://arxiv.org/abs/2606.12958v1
• Date: Thu, 11 Jun 2026 06:35:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.619519
• Title: YOLO-AMC: An Improved YOLO Architecture with Attention Mechanisms for Building Crack Detection
• Title（参考訳）: YOLO-AMC:建築き裂検出のための注意機構を備えた改良型YOLOアーキテクチャ
• Authors: Ching-Yu Tsai, Chia-Min Lin, Chih-Hsiang Yang, Yung-Che Wang, Jen-Shiun Chiang,
• Abstract要約: インフラ検査・構造健康モニタリング(SHM)におけるき裂検出の役割 そこで本研究では,YOLO-AMCと呼ばれる注目機構を組み込んだ改良型YOLOアーキテクチャを提案する。 実験の結果,YOLO-AMCはYOLOv11nとYOLOv8nのベースラインモデルより一貫して優れていた。
• 参考スコア（独自算出の注目度）: 0.3262230127283452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crack detection plays an important role in infrastructure inspection and Structural Health Monitoring (SHM). However, cracks typically appear as thin, low-contrast structures and are easily affected by background noise, posing challenges for existing object detection models. This study proposes an improved YOLO-based architecture with integrated attention mechanisms, termed YOLO-AMC (YOLO with Attention Mechanisms for Crack Detection), to enhance automated crack detection performance. Based on YOLOv11, the original C2PSA module is removed, and multiple attention mechanisms, including Global Attention Mechanism (GAM), Residual Convolutional Block Attention Module (Res-CBAM), and Shuffle Attention (SA), are introduced into the multi-scale feature fusion layers of the Neck to strengthen cross-scale feature integration. Experimental results demonstrate that YOLO-AMC consistently outperforms baseline models YOLOv11n and YOLOv8n across multiple evaluation metrics. Among the evaluated attention modules, GAM achieves the best detection performance, obtaining mAP@0.5 = 0.9917 and mAP@0.5:0.95 = 0.9506 on the test dataset, which are higher than those of YOLOv11 (0.9833 / 0.9112) and YOLOv8 (0.9707 / 0.8921). Furthermore, while maintaining a computational complexity of 7.6 GFLOPs, the proposed model achieves 110.95 FPS on an NVIDIA RTX 4090 platform and approximately 5 FPS on a Raspberry Pi 5 edge device, demonstrating a favorable trade-off between accuracy and deployment efficiency. The implementation code for this study is available on GitHub at https://github.com/CY-Tsai24/YOLO-AMC.
• Abstract（参考訳）: き裂検出は、インフラ検査と構造健康モニタリング(SHM)において重要な役割を果たす。 しかし、クラックは通常、薄い低コントラスト構造として現れ、背景ノイズの影響を受けやすく、既存の物体検出モデルに課題を提起する。 本研究では,自動き裂検出性能を向上させるため,YOLO-AMC(YOLO with Attention Mechanisms for Crack Detection)と呼ばれる注目機構を組み込んだ改良型YOLOアーキテクチャを提案する。 YOLOv11に基づいて、オリジナルのC2PSAモジュールが削除され、グローバルアテンションメカニズム(GAM)、Residual Convolutional Block Attention Module(Res-CBAM)、Shuffle Attention Module(SA)を含む複数のアテンションメカニズムがネックのマルチスケール機能融合層に導入され、クロススケール機能統合が強化される。 実験の結果, YOLO-AMCは複数の評価指標において, YOLOv11n, YOLOv8nのベースラインモデルより一貫して優れていた。 評価された注目モジュールのうち、GAMは、テストデータセット上でmAP@0.5 = 0.9917 とmAP@0.5:0.95 = 0.9506 を獲得し、YOLOv11 (0.9833 / 0.9112) とYOLOv8 (0.9707 / 0.8921) よりも高い検出性能を得る。 さらに、7.6 GFLOPの計算複雑性を維持しながら、提案モデルはNVIDIA RTX 4090プラットフォームで110.95 FPS、Raspberry Pi 5エッジデバイスで約5 FPSを達成した。 この研究の実装コードはGitHubでhttps://github.com/CY-Tsai24/YOLO-AMCで公開されている。

関連論文リスト

• YOLO-DS: Fine-Grained Feature Decoupling via Dual-Statistic Synergy Operator for Object Detection [55.58092342624062]
  DSO(Dual-Statistic Synergy Operator)を中心に構築されたYOLO-DSを提案する。 YOLO-DSは、チャネル平均とピーク平均差を共同でモデル化することにより、オブジェクトの特徴を分離する。 MS-COCOベンチマークでは、YOLO-DSは5つのモデルスケールでYOLOv8を上回っている。
  論文  参考訳（メタデータ） (2026-01-26T05:50:32Z)
• YOLO Ensemble for UAV-based Multispectral Defect Detection in Wind Turbine Components [12.174346896225153]
  高度センサーを搭載した無人航空機(UAV)は、風力発電プラントを監視する新たな機会を開いた。 信頼性のある欠陥検出には、高解像度のデータと、マルチスペクトル画像を処理する効率的な方法が必要である。 我々は、可視チャネルとサーマルチャネルの両方を統合した、YOLOに基づくディープラーニングモデルのアンサンブルを開発する。
  論文  参考訳（メタデータ） (2025-09-04T12:32:04Z)
• YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [58.06752127687312]
  高精度で軽量な物体検出器YOLOv13を提案する。 ハイパーグラフに基づく適応相関強化(HyperACE)機構を提案する。 また,FullPAD(Full-Pipeline Aggregation-and-Distribution)パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-21T15:15:03Z)
• 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)
• YOLOv8-AM: YOLOv8 Based on Effective Attention Mechanisms for Pediatric Wrist Fracture Detection [0.0]
  本研究は,本来のYOLOv8アーキテクチャにアテンション機構を組み込んだYOLOv8-AMを提案する。 ResBlock + CBAM (ResCBAM) に基づくYOLOv8-AMモデルのIoU 50(mAP 50)の平均精度は63.6%から65.8%に向上し,SOTAの性能が向上した。
  論文  参考訳（メタデータ） (2024-02-14T17:18:15Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)

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。