ResNet 的详细分析 | 使用 CarNet 教您如何逐步设计轻量级模型 (I)-1 简介

Pixel-wise裂纹检测是一项具有挑战性的任务，因为裂纹的连续性差，对比度低。现有框架通常采用复杂的模型，精度较高，但推理效率较低。

在本文中提出了一个轻量级的编码器-解码器体系结构CarNet，其可以高效和高质量地进行裂缝检测。为此，首先提出理想的编码器在不同阶段卷积层数的橄榄型分布。具体来说，随着编码器中网络阶段的加深，在初始网络阶段对模型输入进行压缩后，卷积层数呈下降趋势。

同时，在解码器中引入了一个轻量级的上采样特征金字塔模块，学习丰富的层次特征用于裂纹检测。特别将最后三个网络阶段的特征图压缩到相同的通道，然后使用不同倍数的上采样将其调整为相同的分辨率进行信息融合。

最后，在Sun520、Rain365、BJN260和Crack360四个公共数据库上进行的大量实验表明，CarNet在推理效率和测试精度之间取得了较好的平衡，优于现有的最先进的方法。

由于整个编码器-解码器网络看起来像一辆小汽车，因此作者将其称之为CarNet。该文章的主要贡献如下：

• 建立了2个新的路面裂缝数据集Sun520和Rain365。Sun520是目前最大的一个，而Rain365是雨场景下的第一个。
• 为了降低模型复杂度，提高推理效率，提出了一种关于网络各阶段卷积层数的Olive-type编码器。
• 在解码器中引入了一个轻量级模块UFPB，以获得丰富的层次特征，用于逐像素的裂缝检测。
• 在4个公共数据库上进行的大量实验表明，CarNet比现有的最先进的系统具有更好的测试精度，同时与最快的2个系统实现了相当的推断速度。
•