BsS-YOLO：优化特征融合与注意力机制以提升道路裂缝检测精度
计算机视觉与模式识别
2024-12-17 v1
摘要
有效的道路裂缝检测对于道路安全、基础设施维护以及延长道路寿命具有重要意义，具有显著的经济效益。然而，现有方法在处理不同目标尺度、复杂背景以及适应不同环境方面存在挑战。本文提出了 BsS-YOLO 模型，通过增强路径聚合网络（PAN）和双向特征金字塔网络（BiFPN）优化多尺度特征融合。引入加权特征融合可提升特征表示能力，提高检测精度和鲁棒性。此外， backbone 中的简单有效注意力机制（SimAM）通过空间和通道注意力提升精度。检测层集成了洗牌注意力机制，对通道间的特征进行置换和混合，细化关键特征表示，进一步提高准确度。实验结果表明，BsS-YOLO 在道路裂缝检测任务中实现了平均精度（mAP）提升 2.8%，支持其在城市道路维护和高速公路巡检等多种场景下的应用。
引用
@article{arxiv.2412.10902,
title = {Enhancing Road Crack Detection Accuracy with BsS-YOLO: Optimizing Feature Fusion and Attention Mechanisms},
author = {Jiaze Tang and Angzehua Feng and Vladimir Korkhov and Yuxi Pu},
journal= {arXiv preprint arXiv:2412.10902},
year = {2024}
}