A Lightweight Small Object Detection Method Based on Multilayer Coordination Federated Intelligence for Coal Mine IoVT
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Video surveillance as an important function of internet of video things (IoVT) system has been widely used in coal mine monitoring for coal mine safety with excellent results, however, there are still many shortcomings: 1) Existing coal mine IoVT systems have limited detection accuracy for small-sized objects; 2) Coal mine video surveillance systems generally adopt centralized cloud computing, transmission of massive data causes high latency, which seriously affects the response speed of object detection function; 3) The concept drift caused by the data stream seriously affect the detection effect of the offline algorithm. To address the above issues, we propose a small object detection method based federated intelligence to assist coal mine IoVT for object detection. First, we design a lightweight neural network Rep-ShuffleNet to improve YOLOv8, the state-of-the-art YOLO algorithm, to maintain high detection accuracy while dramatically increasing the inference speed, and with the advantage of lightweight, it can be deployed to embedded devices for low-latency edge computing; Moreover, we design a federated learning-based MLC-FL algorithm for local algorithms’ automatic and efficient optimization by asynchronous communication and data interaction reduction strategy. The experimental results show that with the assistance of federated intelligence model optimization strategies, the lightweight YOLOv8 has excellent detection performance (mAP: 94.6%, APsmall: 86.7%, FPS: 21.6), thus to assist coal mine IoVT to realize accurate and real-time underground small object detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle