基于全注意力策略U-Net的裂缝语义分割
计算机视觉与模式识别
2021-05-03 v1 图像与视频处理
摘要
结构会因裂缝的出现而受损，因此裂缝检测始终是结构健康监测中备受关注的问题。随着深度学习技术的快速进展，图像语义分割这一活跃研究领域为裂缝检测提供了另一种更有效且智能的解决方案。尽管已开发众多人工神经网络以解决前述问题，相应的探索从未停止以改进裂缝检测质量。本文提出一种名为全注意力U-Net的新型人工神经网络架构用于图像语义分割。所提架构以U-Net为骨干，并采用全注意力策略，该策略是注意力机制与跳跃连接中每一编码层输出的综合。受训练硬件所限，实验由验证与确认两部分组成。在验证中，包括U-Net、Attention U-Net、Advanced Attention U-Net和Full Attention U-Net在内的4个网络通过细胞图像进行测试以作对比研究。在平均交并比和边缘识别清晰度方面，Full Attention U-Net在验证中表现最佳，因此被应用于确认中的裂缝语义分割以证明其有效性。
引用
@article{arxiv.2104.14586,
title = {Crack Semantic Segmentation using the U-Net with Full Attention Strategy},
author = {Fangzheng Lin and Jiesheng Yang and Jiangpeng Shu and Raimar J. Scherer},
journal= {arXiv preprint arXiv:2104.14586},
year = {2021}
}