基于归一化注意力与双尺度交互的无砟轨道表面缺陷分割
计算机视觉与模式识别
2023-06-28 v1
摘要
无砟轨道表面缺陷（NRSD）分割是感知无砟轨道质量的重要方式。然而，由于无砟轨道轮廓复杂多样且纹理低对比度，现有的自然图像分割方法在 NRSD 图像中无法取得理想性能，尤其是在一些独特且具挑战性的 NRSD 场景中。为此，本文提出一种基于归一化注意力与双尺度交互的 NRSD 新型分割网络，称为 NaDiNet。具体而言，NaDiNet 遵循增强-交互范式。归一化通道自注意力模块（NAM）与双尺度交互块（DIB）是 NaDiNet 的两个关键组件。NAM 是通道自注意力机制（CAM）的特定扩展，用于增强从低对比度 NRSD 图像中提取的特征。CAM 中的 softmax 层会产生非常小的相关系数，不利于低对比度特征增强。相反，在 NAM 中，我们直接计算通道间的归一化相关系数以扩大特征区分度。DIB 专为增强特征的特征交互而设计。它有两个双尺度交互分支，一个用于细粒度线索，另一个用于粗粒度线索。两分支协同工作，DIB 可感知不同粒度的缺陷区域。这些模块协同工作，我们的 NaDiNet 可生成准确的分割图。在包含人工与自然 NRSD 的公开 NRSD-MN 数据集上的大量实验表明，我们提出的 NaDiNet 搭配多种骨干网络（即 VGG、ResNet 和 DenseNet）始终优于 10 种最先进方法。我们方法的代码与结果见 https://github.com/monxxcn/NaDiNet。
引用
@article{arxiv.2306.15442,
title = {No-Service Rail Surface Defect Segmentation via Normalized Attention and Dual-scale Interaction},
author = {Gongyang Li and Chengjun Han and Zhi Liu},
journal= {arXiv preprint arXiv:2306.15442},
year = {2023}
}
备注
10 pages, 6 figures, Accepted by IEEE Transactions on Instrumentation and Measurement 2023