EfficientCrackNet：用于裂缝分割的轻量级模型
计算机视觉与模式识别
2024-09-27 v1 人工智能
摘要
从路面图像进行裂缝检测在计算机视觉领域因存在强度不均匀性、复杂拓扑、低对比度和噪声背景等固有复杂性而具有重大挑战。自动化裂缝检测对于维护建筑、路面和桥梁等关键基础设施的结构完整性至关重要。现有轻量级方法常面临计算效率低、裂缝模式复杂以及背景困难等挑战，导致检测不准确且难以用于实际应用。为此，我们提出EfficientCrackNet——一种结合卷积神经网络 (CNN) 和transformer的轻量级混合模型，用于精确裂缝分割。EfficientCrackNet集成深度可分离卷积 (DSC) 层和MobileViT模块，以捕获全局和局部特征。该模型采用边缘提取方法 (EEM) 实现无预训练的高效裂缝边缘检测，并引入超轻量子空间注意力模块 (ULSAM) 增强特征提取。在三个基准数据集 Crack500、DeepCrack 和 GAPs384 上进行大量实验，表明EfficientCrackNet 在实现卓越性能方面优于现有轻量级模型，仅需0.26M参数和0.483 FLOPs (G)。该模型在准确率和计算效率之间实现了最佳平衡，超越了领先的轻量级模型，为实际裂缝分割提供了稳健且可适应的解决方案。
关键词
引用
@article{arxiv.2409.18099,
title = {EfficientCrackNet: A Lightweight Model for Crack Segmentation},
author = {Abid Hasan Zim and Aquib Iqbal and Zaid Al-Huda and Asad Malik and Minoru Kuribayash},
journal= {arXiv preprint arXiv:2409.18099},
year = {2024}
}