Jul, 2023

铁路轨道上的障碍物检测中的本地和全局信息

PDF
TL;DR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。
obstacle detectionrailwaysshallow networkrailway segmentationlearning-based method
发现论文，激发创造
  • 基于半监督分割和光流的通用铁路障碍物检测系统

    利用光流线索指导的半监督分割方法解决铁路场景中多类障碍物检测问题，通过生成逼真的合成图像并利用光流作为先验知识来有效训练模型，实验证明了该方法的可行性和效果。

    Jun, 2024

  • OSDaR23：2023 年铁路开放传感器数据

    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

  • 铁路轨道检测的深度多任务学习

    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

  • 智能铁路道口：利用语义分割和目标检测提升安全性

    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

  • 融合深度学习和几何建模的自驾车意外障碍检测

    利用外观、语境和几何线索，通过一个基于深度学习的完全卷积网络，结合基于模型的统计假设检验的最新检测方法，和一个系统的贝叶斯框架来检测自动驾驶汽车所面临的道路中的障碍物。我们在失物招领数据集上评估了我们的障碍物检测系统，取得了 50% 的相对性能提高和在 50 米内超过 90% 的检测率，在我们的自动驾驶平台上达到了 22 Hz 的操作。

    Dec, 2016

  • 基于符合预测和符合风险控制的自信目标检测：以铁路信号为例

    本文介绍了一种基于符合性预测的可靠和可信预测器的使用，以便于在实际场景中部署深度学习模型，并提供能够准确反映其不确定性的置信度估计。作者结合新颖的数据集和现代化的目标检测器反复测试了几种符合性方法，并基于符合风险控制提出了新的方法，以此为目的，展示出符合性预测框架在评估模型性能和为实现正式保证的不确定性边界提供实际指导的潜力。

    Apr, 2023

  • 利用端到端深度学习在铁路轨道上训练自我路径检测

    通过引入 “列车自我路径检测” 任务，本论文为智能车载视觉系统设计了一种精确的铁路轨道检测方法，并通过添加自我路径注释扩展了 RailSem19 数据集。TEP-Net 是一种端到端的深度学习框架，具备可配置的模型架构、动态数据增强策略和领域特定的损失函数，通过回归方法解决了轨道检测问题，并在测试集上实现了 97.5% 的 IoU，同时比现有方法更快。进一步的比较分析突显了 TEP-Net 背后的概念选择的相关性，表明其在不同的环境条件和运行动态下具有鲁棒性。本研究为智能驾驶辅助系统和自动列车运行的发展开辟了有前景的途径，为实现更安全、高效的铁路运输铺平了道路。

    Mar, 2024

  • 基于全卷积网络的快速鲁棒单目深度估计用于障碍物检测

    本文介绍了一种基于外观的障碍物检测系统，使用深度神经网络的方法进行训练，能够在高速行驶、长距离、低维度等复杂情况下对障碍物进行检测。

    Jul, 2016

  • 铁路检测：一种高效的基于行的网络和一个新的基准

    本研究提出了一个包括铁路数据库和轨道行排列方法的高效铁路检测算法，通过基于行排列的选择方法，使用轻量卷积神经网络和锚定分类器实现，经实验表明，这种方式比传统方法高效且准确。

    Apr, 2023

  • 超快速自适应跟踪检测网络

    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