RHA-Net：一种融合残差块与混合注意力机制的编解码网络用于路面裂缝分割
计算机视觉与模式识别
2022-07-29 v1 机器学习
图像与视频处理
摘要
路面表面数据的采集与评估在路面状况评价中起着至关重要的作用。本文提出一种高效且有效的端到端自动路面裂缝分割网络 RHA-Net，以提升路面裂缝分割精度。RHA-Net 通过将残差块（ResBlocks）与混合注意力块集成到编解码架构中构建。残差块用于提升 RHA-Net 提取高层抽象特征的能力。混合注意力块旨在融合低层与高层特征，帮助模型聚焦于裂缝的正确通道与区域，从而增强 RHA-Net 的特征表达能力。我们构建了一个包含由自行设计的移动机器人采集的 789 张路面裂缝图像的数据集，并用于训练和评估所提模型。与其他最先进（SOTA）网络相比，所提模型取得了更优性能，且残差块与混合注意力机制添加功能在全面的消融研究中得到验证。此外，通过引入深度可分离卷积生成的轻量版模型以 1/30 的 U-Net 参数量实现了更优性能与快得多的处理速度。所开发的系统可在嵌入式设备 Jetson TX2 上实时分割路面裂缝（25 FPS）。实时实验所摄视频发布于 https://youtu.be/3XIogk0fiG4。
引用
@article{arxiv.2207.14166,
title = {RHA-Net: An Encoder-Decoder Network with Residual Blocks and Hybrid Attention Mechanisms for Pavement Crack Segmentation},
author = {Guijie Zhu and Zhun Fan and Jiacheng Liu and Duan Yuan and Peili Ma and Meihua Wang and Weihua Sheng and Kelvin C. P. Wang},
journal= {arXiv preprint arXiv:2207.14166},
year = {2022}
}