【基于递归注意力机制UNet桥梁裂纹检测算法分析案例3300字】

基于递归注意力机制U-Net桥梁裂纹检测算法分析案例 1 11.2基于递归注意力机制的U-NET的桥梁裂纹检测 2 31.2.2递归注意模块 31.3实验结果分析 5裂纹检测的目的是区分图像中裂纹的位置，进行异常识别。例如，桥否在太阳能电池或电池组件中。因此，裂缝检测已被广泛用于许多实际情况中。通常，裂缝检测任务似乎与边缘检测，语义分割相似。实际上，边强版本被广泛地直接用于分割图像中的裂缝。这些基于边缘算子的检测方法通过依赖于准确选择阈值的梯度分布来区分裂纹或背景。考虑到全局和因此，基于手工特征学习的边缘算子在处理复杂的真实世界图像方面性能有限。因此，受深度卷积神经网络(ConvolutionalNeuralNetwork,CNN)的巨大成功的启发，一些复杂的语义分割方法以端到端的方式应用于边缘裂缝，该方法学习了从局部斑块到全局图像的多尺度特征以检测边缘，通过多尺度上下文信息输入到浅层特征图中，很好地提升了浅层侧边网络 (SideNetwork)的表现。尤其是，检测不浅层侧边网络利用了多尺度的上下文信息，因此增强了检测效果，也进而促进了合并层的检测表现。并在裂缝检测上获网络是在FCNI⁴9的基础上进行改进，多通道卷积与类似FPN(特征金字塔)良好的效果。但是，与包含丰富纹理信息的普通图像不同，桥梁底部或道以访问多尺度信息，但是简单的背景并不能区分无关的信息，这会导致预测边缘上的错误。为了解决这个问题，基于U-Net的多尺度信息利用本文采用递归残差块提取低层边缘特征，然后提出递归注意模型，将显着1.2基于递归注意力机制的U-Net的桥梁裂纹检测Gatingsignal→Maxpooling图3-1基于递归注意力机制的U-Net网络模块，如图3-1所示。RAU-Net和部分首先经过注意力门控机制，然后通过解码器。我们的递归块可以加深网络的层数，提取低级边缘的特征，然后通过跳层连接将特征传递给注意4使其更加关注裂缝区域，然后再次通过上采样和递归模块操作，将相关特征和门控矢量继续传递到注意力模块中，重复以上步骤使图像更好地提取到低层次的边缘信息。它可以更好地抑制不相关的区域并更加关注裂纹区阶段，网络结构中只有卷积层和池化层，没有全连接层，网络中较浅的高分辨率层用来解决像素定位的问题，较深的层用来解决像素分类的问题，从而可以实现图像语义级别的分割。该体系结构的两侧对称包含一个编码径和一个允许精确定位的对称拓展路径。这种方法可以使用非常少的数据效果。上下文信息由编码器在丰富的跳过连接中传输，可以提取复杂的层大创新是通过编码器部分和相应的解码器部分引入了跳层链接，因此可以的每个分辨率的功能与解码器中的相应功能进行拼接之前，先使用“注意力门控机制”重新调整编码器的输出功能。该模块生成门控信号，以控制且门控信号矢量9i被每个像素i用来从较粗的比例中选择聚焦区域。α是注意力系数，范围从0到1,它得出与目标任务有关的特征响应，F₁xHx×Wx×D尽管使用此方法需要很高的计算成本，但它可以获得更准确的分割结其中，01通常作为relu函数(0,s),而02是逐通道卷积1x1通道对特征图X₁和门控信号矢量linear进行线性变换。于选通，以消除跳层链接中无关紧要的响应。在进行串联操作之前，执行在图3-4(a)中，我们使用U-Net的正向卷积层和特征连接作为U-Net原图3-4卷积和递归卷积单元的不同变体每100个epoch后减小为十分之一，而在500个epoch后停止训练，我们使的，其中CRACK500包括该数据集包含500个路面裂缝数据，大小约为2000x1500像素。由于数量有限，我们将每个图像裁剪为16个不重叠的图像区域，并且仅保留包含超过1000个像素的裂缝的区域。其中，训练数据1896张，验证数据348张，测试数据1124张。为了定量分析实验结果，我用于计算两个样本的相似度，值的范围为0-1,最佳分割结果为1,最差的分割结果为0。4图3-5各种算法实验分割的实际对比图本文比较了几种最先进的算法，包括FCN[491,RCF⁵3],FPHBNI⁵4]和