SCNet：一种基于广义注意力的裂纹故障分割模型

异常检测与定位是一项重要的视觉问题，具有多种应用。在各种不同表面上对异常区域进行高效且通用的语义分割（大多数异常区域本身没有任何明显模式）仍处于积极研究中。在庞大基础设施中进行周期性健康监测和故障（异常）检测是一项重要的安全相关任务，是视觉异常分割的一个此类应用领域。然而，由于表面故障、无纹理建筑材料/背景、光照条件等方面的巨大变化，该任务极具挑战性。裂纹是关键的且频繁出现的表面故障，表现为极端的之字形薄而细长的区域。它们即使借助深度学习也是最难检测的故障之一。在这项工作中，我们通过不同的问题建模，解决了自动裂纹分割问题的一个开放方面，即跨多种场景泛化并提升分割性能。我们仔细研究并抽象出所涉及的子问题，在更宽泛的语境下予以解决，使我们的方案具有通用性。在针对不同基础设施监控的多种数据集及变化条件下，我们的模型无需任何花哨技巧便始终以显著优势超越 SOTA 算法。这一性能优势在我们模型的两项部署中（针对行业提供的数据集测试）也轻易延续。更进一步，我们还能确立我们的模型在两种制造质量检验场景中的性能，其中缺陷类型不仅是裂纹等价物，而是更多且不同的。因此我们期望我们的模型确实是一种真正通用的缺陷分割模型。