面向野外货运列车制动系统的基于异构自蒸馏的高效视觉故障检测

在受限硬件环境下，货运列车的高效视觉故障检测是保障铁路安全运营的关键环节。尽管基于深度学习的方法在目标检测方面表现出色，但货运列车故障检测的效率仍不足以应用于实际工程。本文提出一种异构自蒸馏框架，在满足低资源需求的同时保证检测精度与速度。输出特征知识中的特权信息可通过蒸馏从教师模型传递至学生模型以提升性能。我们首先采用轻量级骨干网络提取特征并生成一种新的异构知识颈。该颈通过并行编码建模位置信息及通道间的长程依赖，以优化特征提取能力。随后，我们利用通用分布获得更可信且精确的目标边界框估计。最后，我们采用一种新颖的损失函数，使网络易于聚焦于标签附近的值，从而提高学习效率。在四个故障数据集上的实验表明，与传统蒸馏方法相比，我们的框架可实现超过每秒37帧并保持最高精度。此外，与最先进的方法相比，我们的框架以更低的内存占用和最小的模型尺寸展现出更具竞争力的性能。