摘要
桥梁缺陷的可靠分割对于在役桥梁的自动视觉检测至关重要。然而，由于类别不平衡、缺陷外观的异质性以及损伤类别与结构构件之间的标注重叠，分割仍然具有挑战性。本研究通过将DACL10K v2的19个类别表示为独立的二分类目标，对其多标签语义分割进行了考察。标注审计显示，大约15.8%的已标注训练像素携带一个以上的标签。6935张官方训练图像被划分为固定的内部训练集和内部验证集以用于模型开发，在内部划分上选定的配置随后在975张官方验证集上进行了评估。在统一协议下对DeepLabV3+、SegFormer和Mask2Former进行了比较，随后使用最强的基线来评估损失设置和特征增强模块。模块比较和分支消融实验得出了一个双分支的局部-全局上下文细化（LGCR）配置。在三个随机种子上，SegFormer和LGCR分别实现了38.93 0.48%和39.50 0.15%的内部验证mIoU值。在官方验证集上，它们对应的mIoU值分别为37.38 0.17%和37.44 0.88%。在三个种子中，LGCR与SegFormer在官方验证集上的平均差异为0.06个百分点，且差异方向随种子而变化。这些结果并未证明LGCR具有一致或显著的优势。本研究为DACL10K v2多标签标注方案下的架构、损失重平衡和特征细化选择提供了比较性证据。
