[論文レビュー] BGF-YOLO: Enhanced YOLOv8 with Multiscale Attentional Feature Fusion for Brain Tumor Detection

Ming Kang, Chee‐Ming Ting+2 more|arXiv (Cornell University)|Sep 22, 2023

Brain Tumor Detection and Classification被引用数 7

ひとこと要約

BGF-YOLOはBi-level routing attention、generalized feature pyramids、第四の検出ヘッドを導入してYOLOv8xに対してBr35HでのmAP50を4.7% absoluteに向上させ、脳腫瘍検出を改善する。

ABSTRACT

You Only Look Once (YOLO)-based object detectors have shown remarkable accuracy for automated brain tumor detection. In this paper, we develop a novel BGF-YOLO architecture by incorporating Bi-level routing attention, Generalized feature pyramid networks, and Fourth detecting head into YOLOv8. BGF-YOLO contains an attention mechanism to focus more on important features, and feature pyramid networks to enrich feature representation by merging high-level semantic features with spatial details. Furthermore, we investigate the effect of different attention mechanisms and feature fusions, detection head architectures on brain tumor detection accuracy. Experimental results show that BGF-YOLO gives a 4.7% absolute increase of mAP$_{50}$ compared to YOLOv8x, and achieves state-of-the-art on the brain tumor detection dataset Br35H. The code is available at https://github.com/mkang315/BGF-YOLO.

研究の動機と目的

• 高度なYOLOアーキテクチャを用いた自動脳腫瘍検出の改善を動機づける。
• 検出精度に対するアテンション機構と特徴融合の影響を調査する。
• YOLOv8フレームワーク内で再設計された検出ヘッドの利点を評価する。

提案手法

• 重要な特徴を強調するためのBi-level routing attentionを組み込む。
• Generalized feature pyramid networksを用いて高レベルの意味情報と空間的詳細を統合する。
• 検出能力を補強する第四の検出ヘッドを導入する。
• YOLOv8ベースのアーキテクチャ内で異なるアテンション機構と特徴融合戦略を評価する。
• 特にBr35Hなどの脳腫瘍データセットで検出性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 Bi-level routing attentionはYOLOv8ベースのアーキテクチャにおいて脳腫瘍検出の精度を改善するか。
• RQ2 Generalized feature pyramid networksは脳腫瘍検出の特徴表現にどのように影響するか。
• RQ3 第四の検出ヘッドを追加することは検出性能にどのような影響を与えるか。
• RQ4 どのアテンション機構と特徴融合スキームがBr35Hで最良のmAPを得るか。

主な発見

• BGF-YOLOはYOLOv8xよりもmAP50を絶対値で4.7%向上させる。
• このアーキテクチャはBr35H脳腫瘍データセットで最先端の性能を達成する。
• 本研究は異なるアテンション機構と特徴融合の検出精度への影響を分析する。