DAPONet：一种用于实时道路损伤检测的双注意力和部分超参数网络
计算机视觉与模式识别
2024-09-04 v1
摘要
当前的道路损伤检测方法依赖于人工检查或传感器安装的车辆，效率低下、覆盖范围有限，尤其对于轻微损伤往往不够准确，导致延迟和安全隐患。为解决这些问题并增强使用街景图像数据进行实时道路损伤检测，我们提出了 DAPONet，一种包含三个关键模块的模型：一种结合全局注意力和局部注意力的双注意力机制、一个多尺度部分超参数模块和一个高效的下采样模块。DAPONet 在 SVRDD 数据集上实现了 70.1% 的 mAP50，超过 YOLOv10n 的 10.4%，同时参数减少到 1.6M，FLOPs 减少到 1.7G，分别减少了 41% 和 80%。在 MS COCO2017 val 数据集上，DAPONet 实现了 33.4% 的 mAP50-95，超过 EfficientDet-D1 的 0.8%，参数和 FLOPs 均减少了 74%。
引用
@article{arxiv.2409.01604,
title = {DAPONet: A Dual Attention and Partially Overparameterized Network for Real-Time Road Damage Detection},
author = {Weichao Pan and Jiaju Kang and Xu Wang and Zhihao Chen and Yiyuan Ge},
journal= {arXiv preprint arXiv:2409.01604},
year = {2024}
}