近日，课题组在人工智能领域知名期刊《Expert Systems With Applications》发表研究论文“DCUFormer: Enhancing Pavement Crack Segmentation in Complex Environments with Dual-Cross/UpSampling Attention”（DCUFormer: 基于双交叉/上采样注意力的复杂环境路面裂缝分割增强）。
论文聚焦于复杂环境下路面裂缝检测这一关键问题，针对因图像捕获方式、拍摄距离及环境条件变化所导致的裂缝外观与清晰度显著差异，提出了具有创新性的解决方案。研究发现，现有方法在提升分割性能时，常忽视了解码器在精细边缘分析中的关键作用，而传统解码阶段采用的双线性插值方法易导致边缘细节丢失，难以满足工程检测中高精度的要求。为此，本文提出了一种基于双交叉注意力（Dual-Cross Attention, DCA）和上采样注意力（Upsample Attention, UA）的创新裂缝语义分割架构。DCA模块通过利用不同层次特征图作为特征查询，并结合双交叉注意力操作，有效融合了上下文信息与细节特征；同时，UA模块通过引入同级区域上下文信息，替代传统的非可学习上采样方法，显著提升了边缘和纹理细节的保留与预测效果。在Crack500、CrackSC及课题组构建的UAV-Crack500三大数据集上的实验结果表明，该方法在不同数据条件下均达到了当前最优性能（SOTA），为无人机平台在道路病害检测中的高精度应用提供了有力技术支持。
图1.裂缝检测中的挑战、现有算法的局限性及本研究方法的优势
图2.DCUFormer模型整体架构图
课题组蒋玮教授为论文通讯作者，博士研究生单金焕为论文第一作者，英国利兹大学交通研究所(Institute of Transport Studies)黄跃教授为合作作者。论文链接：https://doi.org/10.1016/j.eswa.2024.125891。
（撰稿：单金焕 审核：张硕 复核：姚腾坤 终审：肖晶晶）
