本文介绍了多种基于深度学习的道路裂缝检测算法，如无监督逐像素检测网络UP-CrackNet和CrackNex框架，旨在提高检测精度和效率。这些方法在复杂背景和低光照条件下表现优异，具有广泛的应用潜力。

该研究探讨了多种深度学习模型在道路裂缝检测中的应用，发现ResNet和VGG16模型的精度最高可达98%。基于transformer的SwinUNet模型在准确性和训练效率上表现更佳。此外，提出的无监督UP-CrackNet网络在逐像素裂缝检测中表现优异，尤其在低光照条件下。最终，Hybrid-Segmentor模型和EfficientCrackNet在裂缝特征提取和分割精度上超越了现有方法，显示出广泛应用潜力。

本研究提出了多种基于深度学习的道路裂缝检测方法，包括特征金字塔和分层增强网络（FPHBN）、CrackCLF模型和UP-CrackNet，旨在提高检测的准确性和效率。实验结果表明，这些方法在裂缝检测任务中优于传统技术，尤其在无监督学习和细粒度特征提取方面表现突出，具有广泛的应用潜力。

本研究提出了一种改进的语义分割模型，能够更准确地表示道路结构和状况，提高了道路裂缝检测、交通标志识别、车辆检测和车道分割等应用的性能。在道路裂缝数据集上，该模型表现出显著的性能提升。