基于 AttnConv-Net 的铁路部件自动检测
计算机视觉与模式识别
2022-02-14 v2
摘要
利用铁路图像自动检测主要铁路部件有利于保障轨道交通的安全。本文提出一种注意力驱动的深层卷积网络（AttnConv-net）来检测包括钢轨、弹条和螺栓在内的多种铁路部件。所提方法由作为主干的深层卷积神经网络（DCNN）、级联注意力块（CAB）和两个前馈网络（FFN）组成。应用两种位置嵌入来丰富从主干提取的潜在特征中的信息。基于处理后的潜在特征，CAB 旨在学习铁路部件的局部上下文，包括其类别与部件边界。最终类别与边界框通过并行实现的两个 FFN 生成。为增强对小部件的检测，训练过程中采用了多种数据增强方法。所提 AttnConv-net 的有效性通过一个真实数据集和另一个合成数据集得到验证。与经典的基于卷积神经网络的方法相比，我们所提方法通过消除对前处理和后处理的需求简化了检测流程，为更快更精确的基于图像的铁路部件检测提供了一种新的速度-质量解决方案。
引用
@article{arxiv.2108.02423,
title = {Automatic Rail Component Detection Based on AttnConv-Net},
author = {Tiange Wang and Zijun Zhang and Fangfang Yang and Kwok-Leung Tsui},
journal= {arXiv preprint arXiv:2108.02423},
year = {2022}
}