一种用于货运列车图像实时故障检测的统一轻量框架
计算机视觉与模式识别
2021-02-02 v1 图像与视频处理
摘要
在严苛资源需求下，货运列车实时故障检测对保障铁路运输安全与优化运行至关重要。尽管基于深度学习的方法前景可观，这些故障检测器在货运列车图像上的精度与效率均远未令人满意。本文提出一种统一轻量框架，以在低资源需求下支持实时运行的同时提升检测精度。我们首先设计了一种新颖的轻量骨干网络（RFDNet）以提升精度并降低计算成本。接着，提出一种使用 RFDNet 生成的多尺度特征图的多区域提议网络以提升检测性能。最后，给出多级位置敏感得分图与感兴趣区域池化，以极少冗余计算进一步提升精度。在公开基准数据集上的大量实验结果表明，我们的 RFDNet 能显著提升基线网络的性能，且具有更高精度与效率。在六个故障数据集上的实验显示，我们的方法能够以超过 38 帧每秒的速度实时检测，并取得具竞争力的精度且计算量低于最先进检测器。
引用
@article{arxiv.2102.00381,
title = {A Unified Light Framework for Real-time Fault Detection of Freight Train Images},
author = {Yang Zhang and Moyun Liu and Yang Yang and Yanwen Guo and Huiming Zhang},
journal= {arXiv preprint arXiv:2102.00381},
year = {2021}
}
备注
10 pages, 6 figures