Abstract
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.