YOLOv8-AM:用于儿科腕部骨折检测的 YOLOv8 与注意力机制
该研究将 YOLOv9 算法模型应用于骨折检测任务,以帮助放射科医师和外科医生解释 X 射线图像,实验证明 YOLOv9 模型在性能上比当前最先进模型提高了 3.7%。
Mar, 2024
本文研究了如何使用 YOLOv8 算法从 X 光图像中检测儿童手腕骨折,并通过实验结果展示了该算法在不同模型大小上取得了不同的优势,其中 YOLOv8l 模型的平均精度最高(63.6%),而 YOLOv8n 模型在单个 CPU 上的推理时间只需 67.4 毫秒,并创建了 “使用 YOLOv8 应用程序进行骨折检测”,以协助外科医生解释 X 光图像中的骨折,降低误诊概率,并为骨折手术提供更多有用信息。
Apr, 2023
为了提高生产制造过程中焊点缺陷检测的准确性和降低计算成本,本研究提出了一种混合关注机制,该机制由增强的多头自注意力和坐标注意力机制组成,能够提高网络感知上下文信息和学习局部特征的能力,从而使焊点缺陷检测的均方平均精度(mAP)达到 91.5%,比其他版本的算法要高。同时,在满足实时检测要求的前提下,也对平均精度、精确率、召回率和帧每秒指标进行了改善。
Jan, 2024
在这项研究中,我们利用基于 Yolo 的模型用于安全头盔检测,在减少参数和 Flops 计数超过 25% 的同时,实现了 2% 的 mAP 性能改进。我们采用了 GhostNetv2 作为轻量级特征提取网络骨干,并结合了空间通道注意力网络 (SCNet) 和坐标注意力网络 (CANet) 等注意力模块,采用梯度规范感知优化器 (GAM) 提高了模型的泛化能力。本研究针对安全关键环境中头盔的准确检测和速度,在提高准确性的同时,改善了模型适应真实环境的能力。实验结果强调了 GhostNetv2、注意力模块和 GAM 优化器的协同效应,为安全头盔检测提供了一个全面的框架,达到了在准确性、泛化性和效率方面的卓越性能。
May, 2024
深度学习在儿童尺骨骨折检测中的应用研究,通过 YOLOv8+GC 模型对 X 射线图像进行分析与诊断,提高了模型性能达到国际先进水平。
Jul, 2024
通过在 YOLOv8 模型中集成 BoTNet 模块、GAM 注意机制和 EIoU 损失函数,优化了特征提取和多尺度特征融合策略,简化了训练和推断过程,显著提高了检测的准确性和效率,实验结果表明改进模型在检测速度和准确性方面表现出色,能够实时识别和分类分心驾驶行为,提供及时警示,增强驾驶安全。
Jul, 2024
该论文介绍了一种新颖的 BGFG-YOLO 架构,通过将 Bi-level Routing Attention(BRA)、Generalized feature pyramid networks(GFPN)、Forth detecting head 和 Generalized-IoU(GIoU)bounding box regression loss 结合到 YOLOv8 中,实现了对自动脑肿瘤检测的高准确性。实验结果显示,与 YOLOv8x 相比,BGFG-YOLO 在脑肿瘤检测数据集 Br35H 上的 mAP50 绝对增加了 3.4%,达到了 state-of-the-art 水平。
Sep, 2023
通过使用新颖的自注意力模块,将全局特征反映到局部特征和局部接受域,以及优化解耦头和 AB-OTA,我们提出的模型在大中小型模型上能够实现 49.0%(71FPS,14ms),46.1%(85FPS,11.7ms)和 39.1%(107FPS,9.3ms)的平均精度,超过了 YOLOv5 0.8%-3.1% 的平均精度。
Jun, 2022
通过结合 YOLOv7 的实例分割和不同的注意机制,本研究在卫星图像中探讨了寻找海洋垃圾的最佳模型,并发现 CBAM 在探测海洋垃圾方面具有最佳适用性。
Jul, 2023
基于 YOLOv5l 模型,本文提出了一种基于口罩佩戴的人脸检测模型。通过多头注意力自卷积和 Swin Transformer Block 的引入,提高了模型的检测准确性和收敛速度,并通过设计的 I-CBAM 模块和特征融合方法改善了不同尺度目标检测任务。实验证明,相比 YOLOv5l 模型,在 MASK 数据集上,本文模型的 mAP (0.5) 提升了 1.1%,mAP (0.5:0.95) 提升了 1.3%。本文提出的方法显著提升了口罩佩戴的检测能力。
Oct, 2023