Central AsianResearch Index

YOLO-CBAM: ЛЕГКОВЕСНАЯ НЕЙРОСЕТЕВАЯ МОДЕЛЬ С ИНТЕГРИРОВАННЫМ МЕХАНИЗМОМ ВНИМАНИЯ ДЛЯ АНАЛИЗА ДОРОЖНЫХ ПОВРЕЖДЕНИЙ: YOLO-CBAM: A LIGHTWEIGHT NEURAL NETWORK MODEL WITH INTEGRATED ATTENTION MECHANISM FOR ROAD DAMAGE ANALYSIS

В данной статье мы предлагаем YOLO-CBAM – быструю и легковесную нейронную сеть для обнаружения повреждений дорожного по-крытия в режиме реального времени. Мы улучшили архитектуру стандартного YOLO, добавив модуль внимания сверточных блоков (CBAM). Данный меха-низм внимания помогает модели сосредотачиваться на сложных дефектах, та-кие как трещины, на дороге и игнорировать фоновый визуальный шум. В ходе экспериментов были проведены тесты, как различные методы обучения весов влияют на процесс обучения модели. Результаты показывают, что использова-ние частичного переноса обучения помогает сети быстро преодолевать ранние ошибки и достигать средней точности (mAP@50) 0.6 всего за 40 эпох. Следо-вательно, YOLO-CBAM модель улучшает обнаружение дефектов без больших вычислительных затрат, в связи с этим делает ее высокоэффективным решением для систем видеонаблюдения в «умных» городах.

Сведения

Опубликовано
2026 · Т. 7, № 3(27), С. 66-77
Язык
Русский
ISSN
2708-2032 · 2708-2040
Издатель
International Information Technology University
Аффилиации
Международный университет информационных технологий, Алматы, Казахстан
Asia Metropolitan University, кампус Субанг-Джая, Малайзия.