OUR-Net: Ein Mehrfrequenznetzwerk mit Oktav-Max-Unpooling und Oktav-Convolution-Residualblock zur Segmentierung von Fahrbahnrissen

Risse gehören zu den häufigsten, wahrscheinlichsten und frühesten aller Fahrbahnschäden. Das frühzeitige Erkennen und Reparieren von Rissen kann zur Verlängerung der Lebensdauer von Fahrbahnen beitragen. Allerdings kann das präzise Erkennen von Rissen aufgrund ihrer unterschiedlichen strukturellen Eigenschaften und komplexen Hintergrundinterferenzen eine Herausforderung darstellen. In diesem Papier wird eine neue Architektur des Faltungsneuronalen Netzwerks, OUR-Net, entworfen, um sowohl hoch- als auch niedrigfrequente visuelle Bildmerkmale effizienter zu behandeln. Eine Oktav-Faltung wird in das vorgeschlagene Netzwerk integriert als Verbesserung der konventionellen Faltung. Insbesondere wird ein Oktav-Faltungs-Residualblock (OCRB) im Encoder eingebettet, um die Faltungsschicht des klassischen Encoders zu ersetzen. Darüber hinaus schlagen wir Oktav-Max-Unpooling (OMU) als Upsampling-Operation des Decoders vor, die es dem neuronalen Netzwerk ermöglicht, zu lernen, wie man mehrdimensionale Frequenzmerkmale decodiert. Im Vergleich zu Modellen, die traditionelle Faltung verwenden, hat OUR-Net eine bessere Fähigkeit zur Verarbeitung von Multiskaleninformationen, wodurch die Modellleistung verbessert wird, während die Rechenkosten durch die Reduzierung der räumlichen Redundanz gesenkt werden. Wir bewerten die Überlegenheit der vorgeschlagenen Methode, indem wir sie mit modernen Methoden zur Risssegmentierung auf vier öffentlichen Datensätzen (CrackLS315, CFD, Crack200, DeepCrack) vergleichen, die Risse unterschiedlicher Breiten umfassen. Umfassende experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode hervorragend abschneidet und F1-Score und mIoU von 0.9112, 0.9271, 0.8106, 0.9318 sowie 0.8369, 0.8644, 0.6815, 0.8723 auf den vier Datensätzen erreicht. Eine leichtgewichtige Version des vorgeschlagenen Netzwerks wird unter Verwendung von tiefen separablen Faltungen konstruiert, die eine hervorragende Leistung mit nur 0.88M Parametern erzielt.