综述：Dgfnet：一种可变形注意力机制与基于流引导的特征学习方法，用于细粒度表面缺陷分割

《JOURNAL OF INTELLIGENT MANUFACTURING》：Dgfnet: deformable attention and flow-guided feature learning for fine-grained surface defect segmentation

轻量级缺陷分割模型DGFNet融合PDA动态注意力与GMB多尺度特征提取，通过自适应边界拟合、分组卷积及跨通道融合平衡效率与精度，在NEU-Seg、SMCD等数据集上mIoU达83.05%和93.72%，GFLOPs仅1.725。

　　

摘要

表面缺陷检测对工业质量控制至关重要，然而现有的轻量级网络难以在效率、全局视野以及小缺陷的分割精度之间取得平衡。为了解决这一问题，本研究提出了DGFNet，这是一种轻量级的缺陷分割模型，它结合了部分深度动态注意力（PDA）和分组多尺度特征提取模块（GMB）。PDA通过特征空间偏移自适应地拟合缺陷边界，而GMB则利用分组卷积和跨通道融合来捕捉局部和全局模式。基于流引导的上采样策略改进了边缘重建效果，跨层次监督机制提升了亚像素级的敏感性。DGFNet通过整体的轻量化设计实现了精度与计算成本之间的卓越平衡——该设计融合了紧凑的骨干网络结构、可分离的卷积层以及GMB的分组机制。在NEU-Seg数据集上，DGFNet的mIoU达到了83.05%，分别比Fast-SCNN和SegFormer高出6.66%和2.29%，同时仅消耗了1.725 GFLOPs的计算资源。在SMCD（93.72%）和Cracks（76.08%）数据集上也展现了领先性能，证明了其在细粒度缺陷分割方面的高效性和有效性。