.png){kind=icon}
返回
Collaborative compression framework for edge-deployed infrastructure crack segmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.116151.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在资源受限的边缘设备上实现高精度、低延迟的基础设施裂缝分割是智能交通基础设施运维中的关键挑战。为解决这些问题，本研究提出了一种集成架构设计、剪枝和量化的协同优化框架。首先，设计了一种多尺度特征聚合解码器，采用分组大核卷积、门控注意力机制和高效上采样模块来增强裂缝拓扑的感知能力。其次，提出了一种基于泰勒展开的结构化剪枝策略，以任务感知方式去除冗余通道。模型进一步通过混合线性对称8位有符号整数全量化方法进行压缩。在自建数据集和两个公开数据集上的实验表明，所提出的框架在仅使用240万个参数和4.6GFLOPs的情况下，性能显著优于主流模型。经过剪枝和量化后，参数量降至137万个，存储空间减少超过85%，平均交并比（mIoU）仍保持在0.70以上。可视化分析和鲁棒性测试进一步验证了模型在复杂场景中的特征聚焦能力与泛化性能。本研究为资源受限的边缘设备上高精度基础设施裂缝检测提供了可行的技术路径。
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
查看更多机构
引用论文
暂无论文信息