YOLO-CBAM: ЛЕГКОВЕСНАЯ НЕЙРОСЕТЕВАЯ МОДЕЛЬ С ИНТЕГРИРОВАННЫМ МЕХАНИЗМОМ ВНИМАНИЯ ДЛЯ АНАЛИЗА ДОРОЖНЫХ ПОВРЕЖДЕНИЙ

Аннотация

В данной статье мы предлагаем ​​YOLO-CBAM – быструю и легковесную нейронную сеть для обнаружения повреждений дорожного покрытия в режиме реального времени. Мы улучшили архитектуру стандартного YOLO, добавив модуль внимания сверточных блоков (CBAM). Данный механизм внимания помогает модели сосредотачиваться на сложных дефектах, такие как трещины, на дороге и игнорировать фоновый визуальный шум. В ходе экспериментов были проведены тесты, как различные методы обучения весов влияют на процесс обучения модели. Результаты показывают, что использование частичного переноса обучения помогает сети быстро преодолевать ранние ошибки и достигать средней точности (mAP@50) 0.6 всего за 40 эпох. Следовательно, YOLO-CBAM модель улучшает обнаружение дефектов без больших вычислительных затрат, в связи с этим делает ее высокоэффективным решением для систем видеонаблюдения в «умных» городах.