GSO-YOLO: Global Stability Optimization YOLO for Construction Site Detection

安全问题长期以来一直困扰着建筑工地，可能存在的危险不仅会对工人的安全造成威胁，还会导致经济损失。随着人工智能特别是计算机视觉领域的不断发展，建筑工地安全监测的自动化已成为解决这一长期问题的方案。尽管像YOLOv8这样的先进目标检测方法已经取得了令人瞩目的成绩，但仍面临着处理建筑工地复杂环境的挑战。为了解决这些问题，本研究提出了全局稳定优化YOLO（GSO-YOLO）模型，以应对复杂建筑工地中的挑战。该模型集成了全局优化模块（GOM）和稳定捕获模块（SCM），以增强全局上下文信息的捕获和检测稳定性。创新的AIoU损失函数结合了CIoU和EIoU，提高了检测精度和效率。在SODA、MOCS和CIS等数据集上的实验表明，GSO-YOLO优于现有方法，实现了最先进的性能。

论文旨在解决建筑工地安全问题，提出了一种新的AI模型GSO-YOLO来应对建筑工地复杂的条件和挑战。

GSO-YOLO模型整合了全局优化模块（GOM）和稳定捕获模块（SCM）来增强全局上下文信息的捕获和检测稳定性，同时采用创新的AIoU损失函数来提高检测精度和效率。

论文在SODA、MOCS和CIS等数据集上进行了实验，证明GSO-YOLO模型在检测准确性和效率方面都优于现有方法，并取得了SOTA性能。值得关注的是，该模型的全局优化和稳定捕获模块的设计可以在其他计算机视觉任务中得到应用和拓展。

在这个领域中，最近的相关研究包括但不限于：'Real-time detection of construction workers and equipment using deep learning techniques'、'Automatic safety monitoring in construction sites using deep learning'等。