Hybrid-Segmentor：一种用于土木基础设施自动细粒度裂缝分割的混合方法
计算机视觉与模式识别
2025-01-13 v1 信号处理
摘要
检测和分割道路与建筑等基础设施中的裂缝，对于安全和具有成本效益的维护至关重要。尽管深度学习具有潜力，但在实现精确结果和处理多种裂缝类型方面仍存在挑战。借助所提出的数据集和模型，我们旨在增强裂缝检测和基础设施维护。我们引入了 Hybrid-Segmentor，这是一种基于编码器-解码器的方法，能够提取细粒度的局部和全局裂缝特征。这使得模型能够提升其在区分不同形状、表面和大小裂缝时的泛化能力。为了在实际应用中保持较低的计算性能开销，同时维持模型的高泛化能力，我们在编码器层引入了自注意力模型，并降低了解码器组件的复杂度。所提出的模型在 5 项定量指标上优于现有基准模型（准确率 0.971，精确率 0.804，召回率 0.744，F1 分数 0.770，IoU 分数 0.630），达到了 SOTA 水平。
引用
@article{arxiv.2409.02866,
title = {Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure},
author = {June Moh Goo and Xenios Milidonis and Alessandro Artusi and Jan Boehm and Carlo Ciliberto},
journal= {arXiv preprint arXiv:2409.02866},
year = {2025}
}
备注
25 pages, 6 figures