70、DWTA - Unet：混凝土裂缝分割与PS - Net在遮挡行人重识别中的应用

DWTA - Unet：混凝土裂缝分割与PS - Net在遮挡行人重识别中的应用

1. 引言

在建筑和基础设施领域，由于结构老化、环境因素和自然灾害等原因，结构健康监测（SHM）至关重要。混凝土作为建筑中广泛使用的材料，其表面裂缝是常见的损伤形式。传统的人工裂缝检测效率低且结果主观，而传统计算机视觉方法如边缘检测、阈值法和光谱分析等，易受实际环境中模糊、阴影和划痕的影响。

随着深度学习的发展，卷积神经网络（CNNs）在图像识别、目标检测和语义分割等高级计算机视觉任务中得到广泛应用。一些基于全卷积神经网络（FCNN）的方法被用于混凝土裂缝分割，但FCNN在检测细裂缝和裂缝边界时存在不足，信息易在卷积和池化层中丢失。

同时，在行人重识别领域，遮挡问题一直是挑战。PS - Net模型通过实验证明了其在遮挡行人重识别中的有效性，优于单纯使用姿态信息辅助提取行人特征的方法，与最先进的方法相比也具有竞争力。

2. DWTA - Unet模型

2.1 网络架构

DWTA - Unet网络基于Unet网络构建，由Unet网络和DWTA模块两部分组成。Unet的编码器基于VGG16骨干网络。对输入图像进行四级离散小波变换（DWT），得到的特征图输入到DWTA模块，该模块的另一个输入是最大池化层得到的特征图。DWTA模块后接两到三个卷积层。

在解码器的每个阶段，先对高级特征图进行上采样，上采样层后接一个3 * 3卷积层，然后将上采样后的特征图与VGG16得到的相同分辨率的特征图拼接，拼接后的特征图输入到另一个3 * 3卷积层进行特征融合，这样融合的特征图既包含有助于获取裂缝边界信息的详细信息，又保留了有利于裂缝像