基于数据容量鲁棒性的货运列车高效视觉故障检测——神经网络架构搜索

深度学习方法在故障检测方面取得了显著进展。在货运列车的视觉故障检测中，跨类别组件之间存在显著特征差异（尺度差异），但同一类别内部则相反，这导致检测器需要具备尺度感知能力。此外，任务特定网络的设计高度依赖人类专业知识。因此，由于其前景广阔的性能，神经网络架构搜索 (NAS) 以自动化模型设计过程而受到广泛关注。然而，NAS 因其庞大的搜索空间和巨大的数据卷而计算密集。在本工作中，我们提出一种针对货运列车视觉故障检测的高效 NAS 框架，以搜索具备多尺度表示能力的检测头。首先，我们设计了具备有效感受野的尺度感知搜索空间，以发现有效的检测头。其次，我们基于特定设计的搜索空间探索数据容量的鲁棒性，以降低搜索成本；我们提出一种新颖的共享策略以减少内存并进一步提升搜索效率。广泛的实验结果表明，我们的方法在数据容量鲁棒性下依然有效，在底视图和侧视图数据集上分别实现了46.8和47.9的mAP。该框架超越了当前最先进的方法，并随数据容量的降低而线性降低搜索成本。