.png){kind=icon}
返回
A Lightweight Track Feature Detection Algorithm Based on Element Multiplication and Extended Path Aggregation Networks
.png){kind=icon}
OA
AI
DOI：10.3390/s25185753.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对轨道检测中计算负载过大、实时性不足以及模型参数量过多的问题，本文提出了一种基于YOLO11n的轻量化轨道特征检测模块（YOLO-LWTD）：首先，将StarNet模块集成到骨干网络中，并利用其逐元素乘法操作增强特征表征能力；其次，在颈部结构中，采用轻量化扩展路径聚合网络结合C3K2-Light模块重构特征金字塔信息流路径，以提高多尺度特征融合效率；最后，在头部结构中，采用更轻便高效的检测头Detect-LADH以降低特征解码复杂度。实验验证表明，改进后的模型在精度、召回率和平均精度均值（MAP）上分别较基准模型提升了0.5%、2.0%和0.8%，推理速度达到163 FPS（较基准提升38.1%），模型体积压缩至1.5 MB（轻量化率达71.1%）。该方案为面向嵌入式部署或实时处理的轻量化轨道检测任务提供了节能高效的解决方案。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
.png){kind=icon}
Robust crack detection in complex slab track scenarios using STC-YOLO and synthetic data with highly simulated modeling基于STC-YOLO和高度仿真建模合成数据的复杂道床场景下鲁棒性裂缝检测
PREAI
分享收藏High-speed railway wheel polygon detection framework using improved frequency domain integration基于改进频域积分的高速铁路车轮多边形检测框架
PREAI
分享收藏ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture DesignShuffleNet V2: 高效CNN架构设计的实用指南
PREAI
分享收藏分享收藏A novel machine-vision-based algorithm for quantifying surface fouling of railway ballast beds一种基于机器视觉的新型算法，用于量化铁路道砟床的表面污染
PREAI
分享收藏From Hyper-dimensional Structures to Linear Structures: Maintaining Deduplicated Data’s Locality
OAAI
OAAI分享收藏
查看更多内容