CrackSCF：用于稳健和高效结构裂缝分割的轻量级级联融合网络

于红博

摘要: 准确地在像素级别分割结构性裂缝仍然是一个重要障碍，现有方法无法将局部纹理与像素依赖性整合在一起，往往导致片段化和不完整的预测。此外，它们高参数数量和大量的计算需求阻碍了在资源受限的边缘设备上的实际部署。为了解决这些挑战，我们提出了CrackSCF，一个轻量级级联融合裂缝分割网络，旨在实现强大的裂缝分割并具有出色的计算效率。我们设计了一个轻量级卷积块（LRDS）来替代所有标准卷积。这种方法可以高效地捕捉局部模式，同时具有最小的计算占用。为了全面理解裂缝结构，一个轻量级长程依赖性提取器（LDE）捕捉全局依赖关系。然后，这些全局依赖关系通过我们的阶梯级联融合模块（SCFM）智能地与局部模式统一起来，确保最终的分割地图在连续性和细节丰富性方面都是无缝的。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，并将其与其他五个公共数据集一起进行评估。实验结果显示，CrackSCF方法始终优于现有方法，并且在处理复杂背景噪声方面表现出更大的鲁棒性。在TUT数据集上，CrackSCF在F1分数上达到了0.8382，在mIoU上达到了0.8473，只需要4.79M参数。

更新时间: 2025-09-19 14:31:51

领域: cs.CV,cs.AI

下载: http://arxiv.org/abs/2408.12815v4