In dieser Studie wird das YOLOv8-Modell durch den Einsatz verschiedener Aufmerksamkeitsmechanismen (CBAM, GAM, ECA, SA) für die Erkennung von Handgelenksfrakturen bei Kindern verbessert.
Die Autoren untersuchen den Einsatz von vier verschiedenen Aufmerksamkeitsmodulen in der YOLOv8-Architektur und stellen fest, dass das YOLOv8-AM-Modell mit ResBlock + CBAM (ResCBAM) die beste Leistung erzielt und den aktuellen Stand der Technik erreicht. Da der Einsatz von GAM keine zufriedenstellende Leistungssteigerung liefert, entwickeln die Autoren eine neue Variante namens ResGAM, die eine Verbesserung der Leistung des YOLOv8-AM-Modells auf 65,0% mAP 50 ermöglicht.
Die Ergebnisse zeigen, dass der Einsatz von Aufmerksamkeitsmechanismen in der YOLOv8-Architektur die Leistung des Modells für die Erkennung von Handgelenksfrakturen bei Kindern deutlich verbessert. Das YOLOv8-AM-Modell mit ResCBAM erreicht den besten Wert von 65,8% mAP 50 und übertrifft damit den aktuellen Stand der Technik.
翻譯成其他語言
從原文內容
arxiv.org
深入探究