面向结构裂缝分割的轻量级结构感知 Vision Mamba 网络
计算机视觉与模式识别
2025-03-25 v3
摘要
像素级结构裂缝在各种场景下的分割仍是一大挑战。现有方法在有效建模裂缝形态与纹理方面存在困难，面临在分割质量与低计算资源使用之间进行权衡的挑战。为克服这些限制，我们提出一种轻量级结构感知 Vision Mamba 网络（SCSegamba），能够通过最小计算成本利用裂缝像素的形态信息与纹理线索生成高质量的像素级分割图。具体而言，我们开发了结构感知视觉状态空间模块（SAVSS），其中包含轻量级门控瓶颈卷积（GBC）与结构感知扫描策略（SASS）。GBC 的关键思想在于其对裂缝形态信息的建模效果，而 SASS 则通过强化裂缝像素之间语义信息的连续性，提升对裂缝拓扑与纹理的感知能力。在裂缝基准数据集上的实验表明，我们的方法超越了其他最先进（SOTA）方法，仅使用 28 万参数即可实现最高性能。在多场景数据集上，本方法在 F1 分数达到 0.8390，在 mIoU 达到 0.8479。代码已公开于 https://github.com/Karl1109/SCSegamba。
引用
@article{arxiv.2503.01113,
title = {SCSegamba: Lightweight Structure-Aware Vision Mamba for Crack Segmentation in Structures},
author = {Hui Liu and Chen Jia and Fan Shi and Xu Cheng and Shengyong Chen},
journal= {arXiv preprint arXiv:2503.01113},
year = {2025}
}
备注
This paper has been accepted by CVPR2025