FlexiCrackNet：用于增强裂纹分割的通用特征迁移的灵活管道
计算机视觉与模式识别
2025-02-12 v2
摘要
自动裂纹分割是智能视觉感知模块的核心技术，用于道路安全维护和结构完整性系统。现有深度学习模型和“预训练+微调”范式常面临资源受限环境适应性不足及跨域数据可扩展性不足的挑战。为克服这些限制，本文提出FlexiCrackNet，一种无缝集成传统深度学习范式与大规模预训练模型优势的新型管道。FlexiCrackNet核心采用编码器-解码器架构提取任务特定特征。仅使用轻量级 EdgeSAM 的基于 CNN 的编码器作为通用特征提取器，脱离固定输入尺寸要求。为融合通用特征与领域特定特征，本文引入信息交互门控注意力机制 (IGAM)，可适应性地融合多级特征以增强分割性能同时缓解无关噪声。该设计使通用知识能有效迁移至裂纹分割任务，同时适应多样输入分辨率和资源受限环境。实验表明，FlexiCrackNet 在零样子 generalization、计算效率和在模糊输入、复杂背景及视觉模糊 artifact 等挑战场景下的分割鲁棒性方面均优于最先进的方法。这些突破性成果凸显了FlexiCrackNet在自动化裂纹检测和综合结构健康监测系统中的实际应用潜力。
引用
@article{arxiv.2501.18855,
title = {FlexiCrackNet: A Flexible Pipeline for Enhanced Crack Segmentation with General Features Transfered from SAM},
author = {Xinlong Wan and Xiaoyan Jiang and Guangsheng Luo and Ferdous Sohel and Jenqneng Hwang},
journal= {arXiv preprint arXiv:2501.18855},
year = {2025}
}