Key points are not available for this paper at this time.
تلعب YOLOv8 دورًا حاسمًا في مجال القيادة الذاتية، نظرًا لكفاءتها العالية في كشف الأهداف، وتحديدها الدقيق وموقعها، وتوافقها المتنوع عبر منصات متعددة. من خلال معالجة تدفقات الفيديو أو الصور في الوقت الحقيقي، تحدد YOLOv8 بسرعة ودقة العقبات مثل المركبات والمشاة على الطرق، مما يوفر بيانات بصرية أساسية لأنظمة القيادة الذاتية. يقدم البحث تعديلين رئيسيين: وحدة C2fRFAConv وآلية Triplet Attention. أولاً، يتم توضيح التعديلات المقترحة في القسم المنهجي. تستبدل وحدة C2fRFAConv الوحدة الأصلية لتعزيز كفاءة استخراج الميزات، بينما تعزز آلية Triplet Attention تركيز الميزات. بعد ذلك، يحدد الإجراء التجريبي عملية التدريب والتقييم، والتي تشمل تدريب YOLOv8 الأصلية، ودمج الوحدات المعدلة، وتقييم تحسينات الأداء باستخدام المقاييس ومنحنيات PR. تظهر النتائج فعالية التعديلات، حيث يظهر النموذج المحسن لـ YOLOv8 تحسنًا ملحوظًا في الأداء، بما في ذلك زيادة قيم MAP وتحسينات في منحنيات PR. أخيرًا، يوضح قسم التحليل النتائج وينسب تحسينات الأداء إلى الوحدات المقدمة. يعزز C2fRFAConv كفاءة استخراج الميزات، بينما تحسن Triplet Attention تركيز الميزات لزيادة كشف الأهداف.
درس لينغ وآخرون (الخميس)، هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: