11、基于上下文对比网络的路面裂缝检测方法

基于上下文对比网络的路面裂缝检测方法

一、引言

路面裂缝检测是通用目标检测的一个子任务，对交通安全至关重要。近年来，深度神经网络在计算机视觉领域取得了显著成功，许多基于卷积神经网络（CNN）的通用目标检测算法也达到了先进水平。然而，将通用目标检测模型直接应用于路面裂缝检测任务时，效果往往有限。这是因为路面裂缝具有与通用目标检测对象不同的特点：
1. 前景比例小 ：与通用目标检测对象相比，路面裂缝在图像中的前景比例要小得多。
2. 语义性弱 ：裂缝没有固定的模式，大小变化大，导致语义信息较弱。
3. 局部 - 整体相似性 ：裂缝区域的局部和整体在视觉上有显著的相似性，难以区分。

现有的改进通用目标检测模型以适应路面裂缝检测任务的方法主要有两种：融合高层特征和低层特征，以及通过大感受野学习上下文信息。但这些方法都忽略了一个问题，即即使扩大了感受野，仍然存在相对较小的感受野会覆盖裂缝的局部部分，而网络并没有专门设计来区分特征对应的是裂缝的局部还是整体部分，这导致了性能下降。

为了解决这些问题，我们提出了上下文对比网络（CCN）。CCN利用普通卷积和扩张卷积同时提取区域特征，并通过对比两种卷积提取的特征来获取邻域信息。此外，我们在CCN中添加了CBAM模块，使网络对裂缝前景更加敏感，从而提高检测性能。

二、相关工作

2.1 目标检测

基于CNN的目标检测方法根据处理流程可分为两类：
- 两阶段目标检测器 ：如Faster RCNN及