通过利用车联网数据和深度学习模型，在道路基础设施映射方面取得了显著的成果，提出了一种基于 geohashing 和 YOLOv5 算法的自动识别路口的新方法，实验证明了该方法的高准确性和广泛应用前景。

Aug, 2023

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

本文提出了一种改进的基于深度神经网络的自动化 X 射线图像检测方法，通过使用更高效的框和修改默认 NMS 算法实现更准确的物体检测，突显了大数据分析在提高公共安全方面的潜力。

May, 2023

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

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

本文针对 GoA 4 低速货运列车的障碍物检测功能设计，提出了一种定量风险评估方法，使用统计方法和参数随机模型检查的组合对概率进行评估，最终构建了以三个独立的双通道模块和一个选民为核心的 3oo3 模型，可以对误分类的剩余风险进行评估，验证实现了使用机器学习的安全性。

Jun, 2023

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

本论文提出了一种在交通监控应用中实现交通事故检测的高效框架，包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪，以及轨迹冲突分析的事故检测，并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。

Aug, 2022

使用现有的交通摄像头和深度学习模型，本研究开发了一种检测内陆水路驳船交通的方法，并可用于匿名的大宗商品追踪和监测，为公共交通机构的长期交通规划以及美国工程兵团等联邦机构的运营和维护规划提供有价值的数据。

Jan, 2024

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