RCS-YOLO: A Fast and High-Accuracy Object Detector for Brain Tumor Detection

要約

速度と精度のバランスに優れた最先端のYOLOフレームワークは、物体検出のための最も効率的なアルゴリズムの一つとなっている。しかし、脳腫瘍検出におけるYOLOネットワークの性能はほとんど研究されていない。我々は、チャネルシャッフルに基づく再パラメータ化畳み込み（RCS-YOLO）を用いた新しいYOLOアーキテクチャを提案する。RCSとRCSのワンショット集約(RCS-OSA)を提示し、特徴カスケードと計算効率をリンクさせることで、より豊富な情報を抽出し、時間消費を削減する。脳腫瘍データセットBr35Hを用いた実験の結果、提案モデルはYOLOv6, YOLOv7, YOLOv8を高速かつ高精度で上回ることが示された。特に、YOLOv7と比較して、RCS-YOLOの精度は1%向上し、推論速度は60%向上した。我々の提案するRCS-YOLOは、脳腫瘍検出タスクにおいて最先端の性能を達成した。コードはhttps://github.com/mkang315/RCS-YOLO。

要約(オリジナル)

With an excellent balance between speed and accuracy, cutting-edge YOLO frameworks have become one of the most efficient algorithms for object detection. However, the performance of using YOLO networks is scarcely investigated in brain tumor detection. We propose a novel YOLO architecture with Reparameterized Convolution based on channel Shuffle (RCS-YOLO). We present RCS and a One-Shot Aggregation of RCS (RCS-OSA), which link feature cascade and computation efficiency to extract richer information and reduce time consumption. Experimental results on the brain tumor dataset Br35H show that the proposed model surpasses YOLOv6, YOLOv7, and YOLOv8 in speed and accuracy. Notably, compared with YOLOv7, the precision of RCS-YOLO improves by 1%, and the inference speed by 60% at 114.8 images detected per second (FPS). Our proposed RCS-YOLO achieves state-of-the-art performance on the brain tumor detection task. The code is available at https://github.com/mkang315/RCS-YOLO.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL