La detección de daños en carreteras es esencial para el mantenimiento y la gestión de las mismas. El daño morfológico en las carreteras contiene una gran cantidad de características multi-escala, lo que significa que los algoritmos existentes de detección de daños en carreteras no pueden distinguir y fusionar de manera efectiva múltiples características. En este artículo, proponemos una red de detección de daños en carreteras (DMTC) que aprende características densas y multi-escala con atención en forma de cruz para mejorar la detección de daños en carreteras. Nuestro DMTC realiza tres contribuciones. En primer lugar, adoptamos un mecanismo de atención en forma de cruz para ampliar el campo perceptual de la extracción de características, y su atención global mejora efectivamente la descripción de características de la red. En segundo lugar, utilizamos un módulo de aprendizaje de características denso y multi-escala para integrar información local en diferentes escalas, lo que nos permite superar la dificultad de detectar objetivos multi-escala. Finalmente, utilizamos una cabeza de segmentación convolucional de múltiples capas para generalizar el aprendizaje de características previo y obtener un resultado de detección final. Los resultados experimentales muestran que nuestra red DMTC podría segmentar patrones de baches en el pavimento de manera más precisa y efectiva que otros métodos, logrando un puntaje F1 del 79.39% y un puntaje OA del 99.83% en el conjunto de datos de imágenes de grietas y baches en carreteras (CPRID).