该研究纸提出了一个超快的自适应轨道检测网络，旨在解决现有模型在速度和准确性方面的限制。通过使用水平坐标定位器和透视识别器两个专用分支，该网络能够针对不同镜头角度的轨道比例进行快速检测，具有较高的准确性和速度。

May, 2024

基于动态锚线，我们提出了一种名为 DALNet 的铁轨检测网络，并使用 DL-Rail 数据集验证了其在铁轨检测方面达到了最先进的性能。

Aug, 2023

我们提出了一种边缘设备启用的实时铁路轨道分段算法，通过优化网络结构和在训练之后对模型进行量化，从而在边缘应用中实现适用性优化。实验结果表明，当输入尺寸为 480x480 时，我们改进的算法在达到 83.3% 的准确率的同时，实现了每秒 25 帧的实时推断速率，从而有效满足了实时和高效率操作的要求。

Jan, 2024

铁路上可靠的障碍物检测可以帮助防止导致伤害、潜在的损坏或脱轨的碰撞。我们提出利用浅层网络从正常的铁路图像中学习铁路分割，并通过学习虚构无障碍图像的全局信息的受控包含来改进方法。我们在一个包含人工增强障碍物的铁路图像数据集上评估我们的方法，结果表明我们的方法优于其他基于学习的基准方法。

Jul, 2023

提出了一种基于全局特征和行选择的非常快速的车道检测新方法，在两个测试数据集上取得了最先进水平的准确性和速度，甚至可以实现 300 帧以上每秒，比之前最先进方法至少快 4 倍。

Apr, 2020

本文提出了一种利用自动化轨道检测和多任务学习的方法，在铁路道床和紧固件上检测缺陷，以提高铁路轨道检测的精度。

Sep, 2015

自动检测 X 射线图像中的违禁物品可以显著增加公共安全，提高机场、地铁、海关 / 邮局等地的安全人员的工作效率，并减轻其心理负担。研究表明，变压器检测器优越于过去几年为安全应用开发的辅助神经模块和 CSP-DarkNet 骨干卷积神经网络十分高效。

Oct, 2023

本文提出了一种基于深度学习的车道检测方法，名为 LaneNet，其将车道检测分为车道边界提议和车道线定位两个步骤，以检测车道线为目标，具有较高的运行速度和低计算成本，得到了出色的表现.

Jul, 2018

本文介绍了一个在铁路上进行无人驾驶列车运营所需要的技术系统中的关键任务 —— 通过机器学习算法，分析来自红外线、视觉摄像头、激光雷达和雷达等视觉传感器的数据来检测可能的障碍物。文中详细介绍了一种包含多个传感器的数据集 OSDaR23，并强调了其在铁路领域中进行物体检测和其他任务的重要性。

May, 2023

通过利用机器学习和计算机视觉技术，这项研究提出了一种智能系统，通过非极大值抑制（NMS）集成模型以及 UNet 架构的分割技术，对铁路公路环境进行目标检测和火车驶近监测，从而提高公路铁路交叉口的安全性。

Mar, 2024