利用PaveSAM自动分割铺路病害
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了现有自动化铺路监测方法在识别噪音和铺路表面纹理不规则性方面的不足。提出的PaveSAM模型，通过仅重训练180张图像，能够利用边界框提示高效分割铺路病害，显著降低标注成本并提高性能。这一创新为铺路病害分割的研究提供了新的解决方案，并拓宽了开放源铺路病害数据集的应用范围。
YOLO9tr是一种基于深度学习的轻量级目标检测模型，用于道路损坏检测。它引入了部分注意力块，提高了检测性能。与其他模型相比，YOLO9tr具有更高的精度和推断速度，适用于实时应用。该研究验证了部分注意力块的有效性，突出了YOLO9tr在实时道路状况监测中的潜力。
