DSCformer：一种融合增强动态蛇形卷积与 SegFormer 的双分支网络用于裂缝分割
计算机视觉与模式识别
2024-11-15 v1
摘要
在施工质量监测中，准确检测和分割混凝土结构中的裂缝对于安全和维护至关重要。当前卷积神经网络（CNNs）在裂缝分割任务中表现出强劲性能，但往往难以应对复杂背景，且无法完全捕捉细微管状结构。相比之下，Transformer 擅长捕捉全局上下文，但在精细特征提取方面缺乏精度。我们提出了 DSCformer，一种新颖的混合模型，集成增强动态蛇形卷积（DSConv）与 Transformer 架构用于裂缝分割，以应对这些挑战。我们的主要贡献包括：通过金字塔核实现自适应偏移计算的增强 DSConv，以及同步双向可学习偏移迭代，显著提升了模型捕捉复杂裂缝模式的能力。此外，我们提出了加权卷积注意力模块（WCAM），优化通道注意力，实现更精确和自适应的特征关注。我们在 Crack3238 和 FIND 数据集上评估 DSCformer，分别达到 59.22% 和 87.24% 的 IoU。实验结果表明，我们的 DSCformer 在不同数据集上均优于最先进方法。
引用
@article{arxiv.2411.09371,
title = {DSCformer: A Dual-Branch Network Integrating Enhanced Dynamic Snake Convolution and SegFormer for Crack Segmentation},
author = {Kaiwei Yu and I-Ming Chen and Jing Wu},
journal= {arXiv preprint arXiv:2411.09371},
year = {2024}
}