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

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

研究了适用于自动驾驶场景的基于锚点的检测器的模型改进和推理时间优化，提出了模型缩放策略，以实现更好的速度 - 精度权衡曲线，并在 Waymo 开放数据集上获得了新的最新技术水平。

Aug, 2022

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

该研究提出了一种新的基于 Siamese 网络的两阶段方法，即第一阶段用于高质量锚点提取，第二阶段用于锚点的细化优化，从而实现了对小物体、遮挡物和快速移动物体的自适应锚点生成，大大降低了计算量，在三个基准测试中获得了更优秀的表现，并取得了大约 200 帧 / 秒的速度。

Dec, 2020

通过使用动态网络路由所启发，本文提出了一种用于高效追踪的动态转换器框架，通过学习自动配置适当的推理路径来实现更好地利用可用计算预算，从而在相同运行速度下实现更高的性能。

Mar, 2024

通过使用搜索策略自适应地将计算资源定向到可能包含目标的子区域，我们的方法与基于固定锚点的方法相比，在平均使用两个数量级更少的锚点的同时，在准确性上可与最先进的 Faster R-CNN 算法相媲美。

Dec, 2015

该论文通过在 Center and Scale Prediction (CSP) 检测器上提出改进的方法，实现了锚点无关和单阶段检测器的高精度，探索了 Switchable Normalization 的一些能力。在 CityPersons 基准测试中，表现为 log-average miss rate (MR) 在 reasonable set 上为 9.3％，在 partial set 上为 8.7％，在 bare set 上为 5.6％，获得了第二高的性能。

Feb, 2020