Context-CrackNet: 面向 pavement 图像细小裂缝精准分割的上下文感知框架
计算机视觉与模式识别
2025-01-27 v1
摘要
准确检测和分割路面裂纹,特别是细小和小裂纹,对于交通基础设施的早期干预和预防性维护至关重要. 传统的手动检查方法 Labor-intensive且不一致,而现有的深度学习模型在细粒度分割和计算效率方面存在挑战. 为此,本研究提出了 Context-CrackNet,一种新型编码器-解码器架构,特点是区域聚焦增强模块(RFEM)和上下文感知全局模块(CAGM). 这些创新措施增强了模型捕获细粒度局部细节和全局上下文依赖的能力. Context-CrackNet 在十个公开可用的裂缝分割数据集上进行了严格评估,涵盖多种路面损害情形. 模型在所有数据集上一致优于 9 个最先进的分割框架,在保持具竞争推理效率的同时实现卓越的性能指标,如 mIoU 和 Dice score. 消融研究确认了 RFEM 和 CAGM 的互补作用,两者集成时在 mIoU 和 Dice score 上均实现显著提升. 此外,该模型在精度和计算效率之间的平衡突显了其在大规模路面监测系统中实现实时部署的潜力.
引用
@article{arxiv.2501.14413,
title = {Context-CrackNet: A Context-Aware Framework for Precise Segmentation of Tiny Cracks in Pavement images},
author = {Blessing Agyei Kyem and Joshua Kofi Asamoah and Armstrong Aboah},
journal= {arXiv preprint arXiv:2501.14413},
year = {2025}
}