基于自监督多尺度Transformer与注意力引导融合的高效裂缝检测
计算机视觉与模式识别
2025-10-24 v1
摘要
路面裂缝检测长期依赖于成本高昂且耗时的像素级标注，这限制了其在大规模基础设施监测中的可扩展性。为克服这一障碍，本文探讨了完全无需人工标注即可实现有效像素级裂缝分割的可行性。基于此目标，我们开发了一个完全自监督的框架Crack-Segmenter，该框架集成了三个互补模块：用于鲁棒多尺度特征提取的尺度自适应嵌入器(SAE)、用于保持线性裂缝连续性的方向注意力Transformer(DAT)以及用于自适应特征融合的注意力引导融合(AGF)模块。在十个公开数据集上的评估表明，Crack-Segmenter在所有主要指标（包括平均交并比(mIoU)、Dice分数、XOR和豪斯多夫距离(HD)）上持续优于13种最先进的监督方法。这些发现表明，无标注裂缝检测不仅可行，而且性能更优，使交通部门和基础设施管理者能够进行可扩展且成本效益高的监测。这项工作推动了自监督学习的发展，并促进了路面裂缝检测研究。
引用
@article{arxiv.2510.10378,
title = {Self-Supervised Multi-Scale Transformer with Attention-Guided Fusion for Efficient Crack Detection},
author = {Blessing Agyei Kyem and Joshua Kofi Asamoah and Eugene Denteh and Andrews Danyo and Armstrong Aboah},
journal= {arXiv preprint arXiv:2510.10378},
year = {2025}
}
备注
The paper has been published at Automation in Construction journal. The paper has 53 pages and 11 figures