裂-MsCGA:一个深度学习网络,为路面裂检测提供多层次的注意力

科学领域:

• 土木工程 土木工程是指土木工程.
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 路面裂检测对于道路安全和维护至关重要.
• 目前的卷积神经网络 (CNN) 方法由于低级特征融合干扰而难以处理小裂.
• 现有的注意力机制增强了全球特征,但无法完全解决局部细节损失.

研究的目的:

• 开发一个计算效率高的深度学习网络,用于准确的多尺度路面裂检测.
• 改进小规模裂的检测,这些裂具有微妙的局部结构和不同的全球形态.
• 通过避免低级特征融合来减少噪音干扰.

主要方法:

• 提出了一个新的深度学习网络,Crack-MsCGA,利用CNN和多层次的注意力.
• 引入了多层次关注机制 (MsCGA),专注于地方和全球信息的高层特征.
• 实现了对短距离依赖的局部窗口注意力和对长距离依赖的级联小组注意力,通过混合局部通道注意力 (MLCA) 融合.

主要成果:

• 在DH807数据集上,Crack-MsCGA在各种尺度上提高了检测准确度.
• 在AP@50中显著改善:小规模破裂为11.3%,中型破裂为8.1%,大规模破裂为5.9%.
• 在路面裂检测方面表现优于现有的五种最先进的方法.

结论:

• 拟议的Crack-MsCGA网络有效地解决了现有多尺度路面裂检测方法的局限性.
• 避免低级特征融合,并采用一种新的多尺度注意力机制,可以提高检测准确度,特别是对于小裂.
• 该方法提供了一个有前途的解决方案,通过精确的裂识别来提高道路安全性和优化维护.