本文提出了YOLOv8-AM，一个结合注意力机制的骨折检测模型，专门针对小儿腕部骨折。通过在YOLOv8架构中集成卷积块注意力模块（CBAM）、高效通道注意力（ECA）、Shuffle Attention (SA) 和全局注意力机制（GAM），模型在GRAZPEDWRI-DX数据集上的平均精度均值（mAP 50）从63.6%提高到了65.8%，实现SOTA性能。实验结果显示，ResCBAM的性能优于其他注意力模块，而ResGAM则在一定程度上提升了模型性能。
摘要
https://arxiv.org/ftp/arxiv/papers/2402/2402.09329.pdf
在日常生活中，手腕创伤甚至骨折的情况经常发生，特别是在儿童中，他们占骨折病例的很大一部分。在进行手术之前，外科医生通常要求患者首先进行X射线成像，并根据放射科医生的分析进行准备。随着神经网络的发展，You Only Look Once（YOLO）系列模型已广泛用于骨折检测的计算机辅助诊断（CAD）中。2023年，Ultralytics推出了YOLO模型的最新版本，该模型已用于检测身体各部位的骨折。注意力机制是提高模型性能的最热门方法之一。这项研究工作提出了YOLOv8-AM，它将注意力机制融入到原始的YOLOv8架构中。具体来说，我们分别采用四个注意力模块，即卷积块注意力模块（CBAM）、全局注意力机制（GAM）、高效通道注意力（ECA）和Shuffle注意力（SA），来设计改进后的模型，并在GRAZPEDWRI-DX数据集上进行训练。实验结果表明，基于ResBlock + CBAM（ResCBAM）的YOLOv8-AM模型的mAP 50从63.6%提高到65.8%，达到了目前最佳性能（SOTA）。相反，融入GAM的YOLOv8-AM模型的m
订阅专栏 解锁全文
扫一扫
1420
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
