基于改进的VM-UNet,VM-UNet++对破解图像细分的研究
Wenliang Tang1, Ziyi Wu2, Wei Wang1
1School of Information and Software Engineering, East China Jiaotong University, Nanchang, 330013, China.
Scientific reports
|March 16, 2025
概括
一个新的VM-UNet++模型通过整合Mamba架构来提高裂细分的准确性,优于现有的方法. 这种深度学习方法为结构缺陷检测提供了更好的性能和更低的计算成本.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 结构工程 结构工程
背景情况:
- 裂是关键的结构缺陷,需要及时检测以确保安全.
- 深度学习,包括卷积神经网络 (CNN) 和变压器,已经推进了裂检测.
- 美国有线电视新闻网 (CNN) 难以处理全球信息,而"变形金刚"的计算成本很高.
研究的目的:
- 提出一个改进的VM-UNet模型 (VM-UNet++) 进行增强的裂细分.
- 解决现有的CNN和变形金刚在裂检测方面的局限性.
- 优化深度学习模型用于实际的裂细分任务.
主要方法:
- 通过整合Mamba架构来修改VM-UNet架构.
- 使用Crack500和Ozgenel公共数据集进行比较实验.
- 评估细分精度,参数数量和推断速度.
主要成果:
- VM-UNet++在细分精度方面取得了显著的进步.
- 在平均检测得分 (mDS) 中实现了3%的改善,在平均交叉点在欧盟 (mIoU) 中增加了4.6-6.2%.
- 与最先进的模型相比,展示了较低的参数数量和浮点运算,具有令人满意的推断速度.
结论:
- 改进的VM-UNet++模型有效地提高了裂细分的准确性.
- VM-UNet++为实际的结构裂检测提供了一个计算效率高,准确的解决方案.
- 整合Mamba架构对于裂细分任务证明是有益的.
