基于注意力增强网络的改进YOLO模型及其在安全头盔检测中的泛化性能提升
计算机视觉与模式识别
2024-05-07 v1
摘要
安全头盔在保护建筑工地工人免受头部伤害方面发挥着至关重要的作用，而当下尚无方法能够同时实现模型准确率和复杂环境下的性能。本研究采用基于YOLO的模型进行安全头盔检测，在实现mAP性能提升2%的同时，将参数和Flops计数降低超过25%。YOLO(You Only Look Once)是广泛使用的高性能轻量级模型架构，特别适用于复杂环境。我们提出了一种新方法，通过采用基于GhostNetv2的轻量级特征提取网络骨干网络，集成注意力模块如空间通道注意力网络(SCNet)和坐标注意力网络(CANet)，并采用梯度范数感知优化器(GAM)以提高泛化能力。在安全关键环境中，安全头盔的精准检测和检测速度在防止职业危害和确保安全规范合规方面发挥着关键作用。本工作解决了面向实施环境中稳健且高效头盔检测方法的迫切需求，提供了综合性框架，不仅提升了准确率，还改善了检测模型对真实世界条件的适应性。我们的实验结果强调了GhostNetv2、注意力模块和GAM优化器之间的协同效应，为在准确性、泛化性和效率方面实现卓越性能的安全头盔检测提供了引人注目的解决方案。
引用
@article{arxiv.2405.02591,
title = {Better YOLO with Attention-Augmented Network and Enhanced Generalization Performance for Safety Helmet Detection},
author = {Shuqi Shen and Junjie Yang},
journal= {arXiv preprint arXiv:2405.02591},
year = {2024}
}