全局特征融合双层轻量化的裂缝样本扩充算法
谢永华
李舰远
陈雅
卓安南
南京信息工程大学计算机学院、软件学院、网络空间安全学院 南京 210000
摘要：基于深度学习的隧道裂缝检测作为一种常见的小样本识别问题,会由于裂缝样本过少导致分类精度不高.论文以CycleGAN模型为基础提出了一种全局特征融合双层轻量化模型的裂缝样本扩充方法GDCycleGAN.在CycleGAN的生成器中引入GFF(Global Feature Fusion)模块,融合裂缝图像高低层语义信息获得多尺度信息,使用注意力机制强化选择裂缝图像特征信息并弱化裂缝背景信息;针对生成样本效率不高的问题,在CycleGAN的判别器中引入DL(Double Light-weight)模块,采用组卷积和深度可分离卷积代替原卷积层,降低每层卷积操作参数量,提高生成样本质量和网络训练速度.实验结果表明通过论文算法的小样本扩充后,在扩充样本训练速度以及后续裂缝分类精度上均有所提升.
关键词：深度学习裂缝检测特征融合注意力机制GDCycleGAN模型
分类号：TP301.6(计算技术、计算机技术)
资助基金：国家自然科学基金(62076123)
论文发表日期：2025-12-20
在线出版日期：2026-03-09（本平台首次上网日期，不代表文献的发表时间）
页数：7( 3299-3304,3312 )
英文信息