一个轻量级的裂细分网络,基于增强重要性的Mamba模型.

科学领域:

• 土木工程 土木工程是指土木工程.
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 裂细分对于运输基础设施维护,道路安全和使用寿命延长至关重要.
• 现有的方法面临复杂的背景,复杂的裂形态和高计算成本的挑战.
• 需要有效且准确的裂细分模型.

研究的目的:

• 提出一个轻量级的裂细分网络.
• 解决现有方法在准确性和计算成本方面的局限性.
• 提高对全球和本地裂特征的认识.

主要方法:

• 开发了一个基于U-Net架构的轻量级裂细分网络.
• 集成了一个双分支设计,结合了卷积神经网络 (CNN) 和Mamba模块.
• 在Mamba分支中引入了一个重要的增强动态扫描模块,用于自适应路径调整.
• 利用注意力引导模块将CNN和Mamba功能融合在一起,使得本地和全球信息的像素智能集成成为可能.

主要成果:

• 与公开数据集 (Crack500,CrackTree260,CrackForest) 上的先进方法相比,提出的重要性增强的Mamba模型实现了更高的细分精度.
• 证明了模型参数和计算复杂性的显著减少.
• 有效地捕获了微观结构细节和裂的宏观关系.

结论:

• 重要增强的Mamba网络为运输基础设施的裂细分提供了有效和准确的解决方案.
• 双分支设计协同提取了当地和全球特征,克服了以前方法的局限性.
• 该模型通过精确的裂检测,有助于提高道路安全性和延长基础设施使用寿命.