YOLOv11m
PulseAugur coverage of YOLOv11m — every cluster mentioning YOLOv11m across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
YOLOv11模型在自动化伤口分割和分类中达到高精度
研究人员开发了两种基于YOLOv11架构的新型实例分割模型，用于自动化伤口评估。这些模型旨在对五种不同的伤口类型（包括烧伤、压疮、糖尿病足溃疡、血管性溃疡和手术伤口）进行边界分割和分类。该研究使用了包含2,963张已标注图像的平衡数据集，数据增强技术显著提高了性能，尤其是在视觉上不明显的烧伤方面。YOLOv11x在边界分割方面表现更优，而YOLOv11m和YOLOv11l在伤口分类方面取得了高精度，轻量级的YOLOv11n在实际部署中…
-
新型AI模型增强低光照无人机影像以进行桥梁损伤检测
研究人员开发了DaL-MoE，一种新的图像恢复技术，旨在利用无人机（UAV）在低光照条件下提高桥梁损伤检测能力。该方法采用ISP感知合成流程和退化感知引导，并配备了专门用于增强噪声、颜色和结构细节的专家。当与YOLOv11m检测模型集成时，DaL-MoE在合成数据上显著提升了性能，增加了边界框和掩码的mAP50。对真实世界低光照无人机影像的初步评估表明，与直接推理相比，缺陷可见性得到增强，检测结果更全面。
-
新的DaL-MoE系统增强了低光无人机图像中的桥梁损伤检测
研究人员开发了DaL-MoE，一种新颖的图像恢复系统，旨在提高从低光无人机图像中检测桥梁损伤的能力。该系统采用退化感知混合专家方法，结合了引导估计和用于降噪、颜色校正和细节恢复的专用专家。在合成数据上进行测试时，DaL-MoE显著提升了YOLOv11m检测模型的性能，将其box mAP50从0.3097提高到0.4923。该系统在真实世界的低光航空图像上也显示出有效性，增强了缺陷的可见性和检测的完整性，而无需配对的正常光参考。
-
InfantFace模型增强了临床环境中新生儿的面部检测能力
研究人员开发了InfantFace，一个基于YOLOv11m架构的专用面部检测模型，专为新生儿临床环境设计。该模型解决了背景杂乱、光线不足以及医疗设备遮挡等挑战。在结合使用公开数据集进行训练并在特定新生儿研究数据集上进行微调后，InfantFace取得了0.96的高AP50分数，优于通用面部检测器。