RDD4D：4D注意力引导的道路损伤检测与分类
计算机视觉与模式识别
2025-01-07 v1 人工智能
机器人学
摘要
道路损伤检测与评估是基础设施维护的关键组成部分。然而，当前方法在处理单张图像中多种类型的道路损伤时常常遇到困难，尤其是在不同尺度下。这是由于缺乏包含多种损伤类型且尺度各异的道路数据集。为克服这一不足，我们首先提出一个名为多样化道路损伤数据集（DRDD）的新数据集，用于道路损伤检测，该数据集捕捉了单张图像中多样的道路损伤类型，弥补了现有数据集的关键空白。然后，我们提供了模型RDD4D，该模型利用Attention4D模块，能够在多个尺度上实现更好的特征细化。Attention4D模块通过一种结合位置编码和“Talking Head”组件的注意力机制处理特征图，以捕获局部和全局上下文信息。在我们提出的数据集上对各种最先进模型进行的全面实验分析中，我们的增强模型在检测大型道路裂缝方面表现出优越性能，平均精度（AP）为0.458，并保持了具有竞争力的整体AP为0.445。此外，我们还在CrackTinyNet数据集上提供了结果；我们的模型性能提升了约0.21。代码、模型权重、数据集和我们的结果可在\href{https://github.com/msaqib17/Road_Damage_Detection}{https://github.com/msaqib17/Road\_Damage\_Detection}获取。
引用
@article{arxiv.2501.02822,
title = {RDD4D: 4D Attention-Guided Road Damage Detection And Classification},
author = {Asma Alkalbani and Muhammad Saqib and Ahmed Salim Alrawahi and Abbas Anwar and Chandarnath Adak and Saeed Anwar},
journal= {arXiv preprint arXiv:2501.02822},
year = {2025}
}