RTINet:一个基于语义细分的轻量级和高性能铁路投票率识别网络

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 铁路工程 铁路工程是指铁路工程.

背景情况:

• 铁路运输安全至关重要,需要高效的火车运行系统.
• 目前用于识别铁路转机的方法可能无法满足高速铁路安全和自动化需求.
• 通过智能自动化关键识别任务,可以减少列车司机的工作量.

研究的目的:

• 开发一种智能语义细分方法,用于准确识别铁路出勤率.
• 提高铁路运输的安全性,减少列车司机的工作量.
• 提出一种适合实时部署的新型铁路出勤人数识别网络 (RTINet).

主要方法:

• 构建和手动注释铁路拥挤场景感知 (RTSP) 数据集,包括侧轨道.
• 基于Deeplabv3+的RTINet模型的开发,使用MobileNetV2作为轻量级的骨干.
• 集成深度可分离的卷曲和瓶注意力模块 (BAM) 以提高效率和感知.
• 应用子损失函数来解决训练期间前景背景类不平衡的问题.

主要成果:

• 拟议的RTINet在定制数据集上实现了85.94%的欧盟平均交叉点 (mIoU).
• 该模型展示了每秒78 (fps) 的快速推断速度,适用于高速列车.
• 实验结果显示,RTINet在铁路出勤率识别方面表现优于现有的基线模型.
• 一项废除研究证实了RTINet架构中个别优化组件的有效性.

结论:

• 开发的语义细分方法为铁路出勤率识别提供了可行和有效的解决方案.
• 铁路安全网络 (RTINet) 模型为提高铁路安全和运营效率提供了强大而高效的方法.
• 该研究强调了轻量级深度学习模型在安全关键的铁路应用中具有注意力机制的潜力.