.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
道路上的各种裂缝是影响道路结构使用寿命的主要原因。然而，由于背景噪声干扰和裂缝结构复杂，路面裂缝的自动检测是一个具有挑战性的工业问题。本文提出了一种基于多尺度膨胀空间注意力机制的新型裂缝检测方法，命名为PCMSDA，用于路面裂缝检测。首先，设计了一个多尺度膨胀空间注意力（MSDA）模块用于特征提取，该模块聚合语义信息以增强裂缝特征并获得更丰富的纹理细节，从而加强裂缝特征的表示。MSDA模块能够有效保留浅层网络的裂缝特征，避免裂缝不连续，并减少背景噪声的干扰。同时，在-upsampling过程中，设计了内容感知特征重组模块（CARF）。在CARF中，利用输入特征图来预测-upsampling核，每个位置采用不同的-upsampling核。随后，基于预测的-upsampling核进行特征重组。这种方法在引入相对较少计算开销的同时，能够聚合上下文信息并有效保留裂缝的详细特征，使模型能够有效检测路面裂缝。为验证所提出的PCMSDA的有效性，在真实的路面裂缝数据集上进行了大量实验验证。实验结果表明，所提出的PCMSDA比当前最先进的路面裂缝检测模型具有更好的性能。
Keyword:
Pavement crack detection
Crack features
Multi-scale dilated spatial attention
Content-aware
Feature reassembly
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.8
论文数:
1.5K
被引数:
1.5K
机构
引用论文
YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationYOLOv9: 使用可编程梯度信息学习您想要学习的内容.png)
PREAI
.png){kind=icon}
分享.png){kind=icon}
收藏Convolutional Neural Network-Based Pavement Crack Segmentation Using Pyramid Attention Network基于卷积神经网络的金字塔注意力网络路面裂缝分割.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image SegmentationSegNet: 一种用于图像分割的深度卷积编码器-解码器架构OAAI
OAAI分享收藏 没有更多内容
没有更多内容