用于铁路轨道巡检的深度多任务学习
计算机视觉与模式识别
2015-09-18 v1
摘要
铁路轨道需要定期巡检和监测以确保运输安全。近年来，使用计算机视觉和模式识别方法的自动化轨道巡检展现出了提高安全性的潜力，它允许更频繁的巡检，同时减少了人为错误。由于可能出现的故障模式数量众多，以及可能引发误报的大量图像变化，实现完全自动化仍然极具挑战性。此外，缺陷部件的数量非常少，因此没有足够的训练样本供机器学习一个稳健的异常检测器。在本文中，我们证明了在多任务学习框架内结合多个检测器可以提升检测性能。我们表明，该方法在检测铁路轨枕和扣件缺陷时取得了更高的准确率。
引用
@article{arxiv.1509.05267,
title = {Deep Multi-task Learning for Railway Track Inspection},
author = {Xavier Gibert and Vishal M. Patel and Rama Chellappa},
journal= {arXiv preprint arXiv:1509.05267},
year = {2015}
}
备注
Submitted to IEEE Trans. on Pattern Analysis and Machine Intelligence