轻量级局部模式识别与长程依赖的阶梯式级联融合用于结构裂缝分割
计算机视觉与模式识别
2026-02-03 v5 人工智能
摘要
准确分割结构裂缝仍然是一个主要挑战，现有方法往往无法有效整合局部纹理与像素依赖关系，导致分割结果破碎不完整。此外，这些方法的高参数数量和计算负担阻碍了其在资源受限的边缘设备上的实际部署。为解决这些问题，我们提出了CrackSCF，一种轻量级级联融合裂缝分割网络，旨在以极高的计算效率实现鲁棒的裂缝分割。我们设计了一个轻量级卷积块(LRDS)来替代所有标准卷积，以最小的计算开销捕获局部模式。为了整体感知裂缝结构，一个轻量级的长程依赖提取器(LDE)捕获全局依赖关系。然后，通过我们提出的阶梯式级联融合模块(SCFM)将这些全局依赖与局部模式智能地统一起来，确保最终的分割图既具有连续性又包含丰富的细节。为了全面评估我们的方法，我们创建了具有挑战性的TUT基准数据集，并与其他五个公开数据集一起进行了评估。实验结果表明，CrackSCF在现有方法中持续取得最优性能，并且在处理复杂背景干扰时表现出更强的鲁棒性。在TUT数据集上，CrackSCF的F1分数达到0.8472，mIoU达到0.8472，且仅需4.79M参数。
引用
@article{arxiv.2408.12815,
title = {Staircase Cascaded Fusion of Lightweight Local Pattern Recognition and Long-Range Dependencies for Structural Crack Segmentation},
author = {Hui Liu and Chen Jia and Fan Shi and Xu Cheng and Mianzhao Wang and Shengyong Chen and Yang Lv},
journal= {arXiv preprint arXiv:2408.12815},
year = {2026}
}
备注
This paper is currently under review