CN119399217A 一种跨空间协同学习轻量级海岸堤坝裂缝分割方法 （武汉理工大学三亚科教创新园）

一种跨空间协同学习轻量级海岸堤坝裂缝本发明提供了一种跨空间协同学习轻量级2步骤S2：提取所述特征集合的映射注意力门2.根据权利要求1所述的一种跨空间协同学习轻量级海岸堤坝裂缝分割方法，其特征;3.根据权利要求1所述的一种跨空间协同学习轻量级海岸堤坝裂缝分割方法，其特征;4.根据权利要求3所述的一种跨空间协同学习轻量级海岸堤坝裂缝分割方法，其特征在于：所述注意力门控特征MAG(X)的表达式为：5.根据权利要求1所述的一种跨空间协同学习轻量级海岸堤坝裂缝分割方法，其特征所述空间分支应用全局平均池化，在水平和垂直方向上生成互补的子所述通道分支将所述空间注意力图与分组特征相结合来计算通道相6.根据权利要求5所述的一种跨空间协同学习轻量级海岸堤坝裂缝分割方法，其特征;7.根据权利要求6所述的一种跨空间协同学习轻量级海岸堤坝裂缝分割方法，其特征3;;;;表示重塑操作；wk和wz表示相应的卷积操作；RW表示重新加权过程；FSU表示SoftMax8.根据权利要求1所述的一种跨空间协同学习轻量级海岸堤坝裂缝分割方法，其特征;式中，Aour表示步骤S3聚合后的输出；conv表示卷积操作；fc9.根据权利要求1所述的一种跨空间协同学习轻量级海岸堤坝裂缝分割方法，其特征45裂缝分割方法分割不准确且计算资源占用较;;;6;;;;;;;7[0019]图1为本发明实施例的跨空间协同学习轻量级海岸堤坝裂缝分割模型流程示意图4为本发明实施例的CSA模块对裂缝的关注与其他注意力模块的对比结果示意图6为本发明实施例的模型与其他模型在推理时间和FPS等指标上的对比结果示如图1所示，本发明实施例提供了一种跨空间协同学习轻量级海岸堤坝裂缝分割8注意力系数的单通道特征图。该模块的输出使用逐元素乘法进行缩放并与MAG模块的初始输入特征X以及通过SeLU激活处理的特征X'融合。因此，注意力门特征的公式MAG(X)的包含c/c个通道。帮助模型根据不同的语义维度有效地分析和处理输入特征。CSA引入了三个并行分支来提9[0035]为了有效促进通道特征间的通信与交互，对沿通道方向的跨通道交互进行了建用了两个非线性SeLU函数对线性卷积上的二维高斯分布进行建模。为了在1x1分支的两个全局池化第一分支的输出执行矩阵点乘法。这一步骤在信息被转换为相应维度形状之前，[0036]CSA模块的设计旨在通过分支和空间集成的方式扩展焦点数量，从而能够捕获更绘不同尺度的独特边界，从而产生多尺度空间注意力得分矩阵在将矩阵zch与矩阵vch相乘之前会先将其恢复到原始形状，以此通过空间注意其中，Aour表示CSA模块的输出；wour表示卷积层[0039]本实施例的CSA模块能够在通道和空间维度上动态地分配注意力权重。通过精准[0041]针对本实施例提出的SCCU_Net模型，在六个各具特色的数据集上进行了全面评[0043]这些数据集展现了多样化的裂缝形态及多种挑战因素，如图像模糊和光照不均学习率。为了全面评估模型性能，采用了以下指标：浮点运算量（FLOP）、模型参数数量[0046]图3展示了本实施例的模型与其他模型在六个数据集上的对比结果，其中[0049]图4为本实施例的CSA模块对裂缝的关注与其他注意力模块的对比，其中CA_50为[0050]图5为本实施例的SCCU_Net模型对裂缝分割结果与其他的模型的对比。其中在六种不同环境下地数据集地分割效果与其他裂[0051]图6为本实施例的SCCU_Net模型与其他模型在推理时间和FPS等指标上的对比结B_Seg50为挤压增强型轴向变压器。可以看出本实施例的模型在帧率和延迟上均有良好的本实施例提供了一种适应成本敏感损失函数来平衡正样本和负样本，对实施例1;