地科学院硕士生陈阳光在人工智能领域顶刊《Advanced Engineering Informatics》发表题目为“BFA-YOLO: A balanced multiscale object detection network for building façade elements detection”的研究论文（Sci一区Top，CCF-B，影响因子8.0）。长江大学地球科学学院为论文第一署名单位，硕士研究生陈阳光为论文第一作者，其导师罗小龙副教授为共同作者，我院兼职硕士生导师张晓东教授为通讯作者。

论文链接：https://www.sciencedirect.com/science/article/pii/S147403462500182X

代码开源仓库：https://github.com/CVEO/BFA-YOLO.

检测建筑物上的外观元素，如门、窗、阳台、空调外机、广告牌和玻璃幕墙，是自动化创建建筑信息模型（BIM）的关键一步。然而，该领域面临着重大挑战，包括立面元素分布不均、存在小物体和大量背景噪声，这些因素阻碍了检测的准确性。为了解决这些问题，该研究提出了BFA-YOLO模型和BFA-3D数据集。BFA-YOLO模型是一种先进的架构，专门用于检测立面元素的多视图图像。它集成了三个新颖的组件：解决物体分布不均匀问题的特征平衡主轴模块（FBSM）；目标动态对准任务检测头（TDATH），可增强对小物体的检测；以及旨在减少背景噪声影响的位置记忆增强型自我注意机制（PMESA）。这些元素共同使BFA-YOLO能够有效地应对每一个挑战，从而提高模型的鲁棒性和检测精度。BFA-3D数据集提供了多视图图像，并在广泛的外观元素类别中提供了精确的注释。该数据集的开发是为了解决现有的建筑物立面检测数据集中存在的局限性，这些数据集通常具有单一视角和类别覆盖不足的特点。通过比较分析，与基线YOLOv8模型相比，BFA-YOLO在BFA-3D数据集和开源的Façade-WHU数据集上的mAP50分别提高了1.8%和2.9%。这些结果突显了BFA-YOLO在立面元素检测和智能BIM技术进步方面的卓越性能。

图1：数据集渲染示意图

图2：BFA-YOLO模型网络架构图

图3：BFA-3D测试集上BFA-YOLO和YOLOv8检测结果的视觉比较。（a）表示要检测的图像。（b）图示了标签可视化。（c）（e）示出了BFA-YOLO检测结果。（d）（f）是检测结果的局部放大。图片下方为类别标签。

图4：论文首页