GSO-YOLO：面向建筑工地检测的全局稳定性优化 YOLO
计算机视觉与模式识别
2024-07-02 v1 机器学习
摘要
建筑工地的安全问题长期困扰着行业，构成对工人安全的风险并因潜在隐患导致经济损失。随着人工智能，特别是计算机视觉领域的发展，建筑工地安全监控的自动化已成为解决这一长期问题的途径。尽管先进的目标检测方法如 YOLOv8 在性能方面取得了令人印象深刻的成果，但仍面临建筑工地复杂环境下的挑战。为此，本文提出全局稳定性优化 YOLO（GSO-YOLO）模型，以应对复杂建筑工地的挑战。该模型集成了全局优化模块（GOM）和稳定捕获模块（SCM），增强了全局上下文信息的捕获与检测稳定性。创新的 AIoU 损失函数将 CIoU 与 EIoU 结合，提高了检测精度与效率。在 SODA、MOCS 和 CIS 数据集上的实验表明，GSO-YOLO 超越了现有方法，实现了 SOTA 性能。
引用
@article{arxiv.2407.00906,
title = {GSO-YOLO: Global Stability Optimization YOLO for Construction Site Detection},
author = {Yuming Zhang and Dongzhi Guan and Shouxin Zhang and Junhao Su and Yunzhi Han and Jiabin Liu},
journal= {arXiv preprint arXiv:2407.00906},
year = {2024}
}