基于原型学习的少样本混凝土结构低光照裂缝分割
计算机视觉与模式识别
2026-01-21 v1
摘要
裂缝检测对混凝土基础设施安全至关重要，但现实世界中的裂缝常出现在隧道和桥梁底部等低光照环境中，导致计算机视觉分割精度下降。低光照裂缝图像的像素级标注极其耗时，而大多数深度学习方法需要大型且照明良好的数据集。我们提出了一种将 Retinex 理论与少样本学习相结合用于低光照裂缝分割的双分支原型学习网络。基于 Retinex 的反射率分量指导照明不变的全局表示学习，而度量学习则减少了对大型标注数据集的依赖。我们引入了一个交叉相似性先验掩码生成模块，计算查询特征与支持特征之间的高维相似性以捕捉裂缝位置与结构，以及一个多尺度特征增强模块，将多尺度特征与先验掩码融合以缓解空间不一致性。在多个基准上的大量实验表明，在低光照条件下具有一致的 SOTA 性能。代码：https://github.com/YulunGuo/CrackFSS。
关键词
引用
@article{arxiv.2601.13059,
title = {Prototype Learning-Based Few-Shot Segmentation for Low-Light Crack on Concrete Structures},
author = {Yulun Guo},
journal= {arXiv preprint arXiv:2601.13059},
year = {2026}
}