实时动态尺度感知融合检测网络：以道路损伤检测为例
计算机视觉与模式识别
2024-09-05 v1
摘要
无人机（UAV）基于道路损伤检测（RDD）对于日常维护和城市安全至关重要，尤其是显著降低劳动力成本。然而，当前的UAV-based RDD研究仍面临诸多挑战。例如，损伤的规模和方向不规则，损伤被背景遮挡，以及难以区分损伤和背景显著影响UAV进行日常巡检中道路损伤检测的能力。为解决这些问题并提高UAV在实时道路损伤检测中的性能，我们设计并提出了三个相应模块：一个灵活适应形状和背景的特征提取模块，一个融合多尺度感知并适应形状和背景的模块，以及一个高效的下采样模块。基于这些模块，我们设计了一个能够自动消除背景干扰的多尺度、自适应道路损伤检测模型，称为动态尺度感知融合检测模型（RT-DSAFDet）。在UAV-PDD2023公开数据集上的实验结果表明，RT-DSAFDet的mAP50达到54.2%，比YOLOv10-m（最新实时目标检测模型YOLOv10的一个高效变体）高出11.1%，而参数数量减少至1.8M，FLOPs降至4.6G，分别减少88%和93%。此外，在大型通用目标检测公开数据集MS COCO2017上也显示出我们模型的优势，mAP50-95与YOLOv9-t相当，但mAP50高出0.5%，参数量少10%，FLOPs少40%。
引用
@article{arxiv.2409.02546,
title = {Real-Time Dynamic Scale-Aware Fusion Detection Network: Take Road Damage Detection as an example},
author = {Weichao Pan and Xu Wang and Wenqing Huan},
journal= {arXiv preprint arXiv:2409.02546},
year = {2024}
}