MS-SSE-Net：用于建筑与岩土工程结构损伤检测的多尺度空间压缩-激发网络
计算机视觉与模式识别
2026-04-17 v1
摘要
结构损伤检测对于维护建筑基础设施的安全性和可靠性至关重要。然而，准确识别图像中不同类型的结构损伤仍具有挑战性，由于损伤模式和环境条件的差异。为此，本文提出一种 novel 深度学习（DL）框架——MS-SSE-Net，用于结构损伤分类。该模型基于 DenseNet201 主干网络，集成 novel 多尺度特征提取与通道和空间注意力机制（MS-SSE-Net）。具体而言，平行深度卷积捕获局部和上下文特征，压缩-激发式通道注意力和空间注意力强调有信息区域并抑制无关噪声。经细化的特征随后通过全局平均池化和全连接分类层生成最终预测。实验在包含多种结构损伤类别的 StructDamage 数据集上进行。结果表明，所提出的 MS-SSE-Net 在准确率、召回率、F1 分数和准确率方面均优于基线 DenseNet201。具体而言，该方法实现了 99.31% 的精确率、99.25% 的召回率、99.27% 的 F1 分数和 99.26% 的准确率，优于基线模型（基线模型实现 98.62% 的精确率、98.53% 的召回率、98.58% 的 F1 分数和 98.53% 的准确率）。
引用
@article{arxiv.2604.14711,
title = {MS-SSE-Net: A Multi-Scale Spatial Squeeze-and-Excitation Network for Structural Damage Detection in Civil and Geotechnical Engineering},
author = {Saif ur Rehman Khan and Imad Ahmed Waqar and Arooj Zaib and Saad Ahmed and Sebastian Vollmer and Andreas Dengel and Muhammad Nabeel Asim},
journal= {arXiv preprint arXiv:2604.14711},
year = {2026}
}