Mar, 2024

利用端到端深度学习在铁路轨道上训练自我路径检测

PDF
TL;DR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。
train ego-path detectionrailway track detectiontep-netend-to-end deep learning frameworkintelligent driver assistance systems
发现论文，激发创造
  • TPE-Net：铁路路径提议生成的轨迹点提取和关联网络

    提出了一种铁路路径提取管道，其中使用称为 TPE-Net 的全卷积编码器 - 解码器体系结构通过两个不同的回归分支对每个铁路路径实例的左右铁路像素进行关联，然后对提取的铁路像素进行空间聚类以生成所有可能的火车路径的拓扑信息，并在公开发布的基准测试中表现出极强的性能。

    Feb, 2023

  • 边缘加强的实时铁路轨道分割

    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

  • 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

  • 铁路轨道上的障碍物检测中的本地和全局信息

    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

  • 利用循环神经网络进行端到端跟踪和语义分割

    该论文介绍了一个基于循环神经网络的新型端到端框架，用于在复杂、动态且仅部分可观测的现实环境中跟踪和分类机器人的周围环境，并通过少量标记的数据使网络精通语义分类任务。

    Apr, 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

  • 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

  • 学习判别模型预测跟踪

    我们提出了一种基于区分性损失函数的端到端可训练的视觉跟踪器，可以有效地利用目标和背景外观信息进行目标模型预测，并在 6 个跟踪基准测试中取得了新的最好成绩。

    Apr, 2019

  • 自监督关注学习用于深度和自我运动估计

    本文提出了两个改进方法，以提高深度估计和 ego-motion 估计的性能：使用 Lie group 属性强制实现图像之间的几何一致性，实现了一种关注机制，以便在存在图像重建损坏的情况下关注感兴趣的图像区域。在 KITTI 数据集上的实验结果表明，我们的方法改进了 state-of-the-art 的性能。

    Apr, 2020