FloorYOLO: 床図オブジェクト認識のための注意機構強化型YOLOv8n
FloorYOLO: an attention-enhanced YOLOv8n for floor plan object recognition
本論文では、YOLOv8にEfficient Channel Attention (ECA)モジュールを組み込んだ新しい床図構造要素の自動検出・局在化手法「FloorYOLO」を提案する。YOLOv8をバックボーンモデルとして使用し、ECAブロックがチャネル間の局所的相互作用を考慮して特徴表現を向上させる。PANネックはマルチレベル特徴を強化し、YOLOv8ヘッドが検出タスクを実行する。SESYDデータセットとCVC-FPデータセットで評価した結果、SESYDベンチマークではmAP@0.5:0.95で0.9794、mAP@0.5で0.9950を達成し、CVC-FPではベースラインの0.8116に対し0.8241を達成した。この手法は、軽量なチャネルアテンションが既存の検出バックボーンに効果的に統合され、床図画像の構造要素認識を改善できることを示している。
- YOLOv8n に Efficient Channel Attention (ECA) モジュールを組み込んだ床図構造要素検出モデル「FloorYOLO」を提案。
- SESYD ベンチマークで mAP@0.5:0.95 = 0.9794、mAP@0.5 = 0.9950 を達成。
- CVC-FP データセットでベースライン 0.8116 に対し 0.8241 を達成し、軽量チャネルアテンションの有効性を確認。
床図という極めてニッチな画像認識領域での精度改善であり、直接的には産業応用・収益化の道筋がまだ見えにくい。ただし、Efficient Channel Attention のような軽量アテンションを既存のYOLOv8バックボーンへ後付けするだけで精度が上がるという結果は、建設DXやCAD/BIM図面の自動読み取り、ひいては設計・施工管理ソフトの自動化ツールに転用可能な汎用性を示す。投資家としては、こうした軽量アテンション改良がエッジ推論向けの産業向けCV製品に組み込まれる速度と、建設テック/設計ソフト各社がどのタイミングで取り込むかを注目したい。一方で学術ベンチマーク止まりの段階であり、商用製品や特許・調達の動きが出るまでは様子見が妥当。