联合Self-attention与Axial-attention的机场跑道裂缝分割

机场跑道裂缝形态多样、方向各异、长短不一且粗细不均,通常不具有统计规律。现有的各类裂缝分割算法难以在此类复杂场景中落地。针对上述问题,提出了联合self-attention与axial-attention的机场跑道裂缝分割网络(CSA-net),通过引入自注意力模块、轴向注意力模块、可变形卷积模块,提取裂缝的局部特征和全局语义特征。通过transformer decoder还原特征图的原始尺寸,融合了不同尺度间的分割结果,保留尽可能多的细节信息,使得CSA-net有更好的分割精度。在机场跑道实拍的数据集上进行的测试表明,针对裂缝的像素级分割指标F1-score达到了78.91%,高于目前各类裂缝分割算法。