多层次特征融合和注意力机制的道路裂缝模型

TP391.41; 针对现有裂缝检测方法易受各类噪声干扰从而导致误检及小尺度裂缝漏检的问题,提出一种基于多层次特征融合和注意力机制的道路裂缝检测模型,采用编解码结构DeepCrack网络作为基本架构.设计单尺度多层次特征融合模块应用于特征提取,通过多级网络表征增强裂缝的细节特征.同时在编解码端对称融合部位,引入改进后的三重注意力模块,从通道、高和宽3个维度进行跨维度交互,凸显裂缝特征和抑制噪声特征,并进行跨维度的特征融合,以获得更具互补性的裂缝特征.实验表明,在道路裂缝数据集CRKWH100上,模型在多个边缘评估指标上实现了当前最优,同时在Stone331石材裂缝数据集中也验证了该模型的泛化性...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 59; no. 13; pp. 281 - 288
Main Authors 宋榕榕, 王财勇, 田启川, 张琪
Format Journal Article
LanguageChinese
Published 北京建筑大学 电气与信息工程学院,北京 100044 01.07.2023
建筑大数据智能处理方法研究北京市重点实验室,北京 100044%中国人民公安大学 信息网络安全学院,北京 100038
Subjects
编解码网络
注意力机制
裂缝检测
特征融合
深度学习
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2203-0531

Cover

More Information
Summary:TP391.41; 针对现有裂缝检测方法易受各类噪声干扰从而导致误检及小尺度裂缝漏检的问题,提出一种基于多层次特征融合和注意力机制的道路裂缝检测模型,采用编解码结构DeepCrack网络作为基本架构.设计单尺度多层次特征融合模块应用于特征提取,通过多级网络表征增强裂缝的细节特征.同时在编解码端对称融合部位,引入改进后的三重注意力模块,从通道、高和宽3个维度进行跨维度交互,凸显裂缝特征和抑制噪声特征,并进行跨维度的特征融合,以获得更具互补性的裂缝特征.实验表明,在道路裂缝数据集CRKWH100上,模型在多个边缘评估指标上实现了当前最优,同时在Stone331石材裂缝数据集中也验证了该模型的泛化性.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2203-0531