铁路轨道障碍物检测中的局部与全局信息
计算机视觉与模式识别
2023-07-31 v1 机器人学
摘要
可靠的铁路障碍物检测有助于防止导致人员伤亡并可能损坏或使列车脱轨的碰撞。遗憾的是，通用目标检测器没有足够多的类别以涵盖所有可能场景，且包含铁路上物体的数据集难以获取。我们提出利用浅层网络从正常铁路图像中学习铁路分割。网络有限的感受野防止了过度自信的预测，并使网络聚焦于铁路环境中局部非常独特且重复的模式。此外，我们通过学习幻觉无障图像来探索受控地引入全局信息。我们在包含人工增强障碍物的铁路图像的自定义数据集上评估了我们的方法。我们提出的方法优于其他基于学习的基线方法。
引用
@article{arxiv.2307.15478,
title = {Local and Global Information in Obstacle Detection on Railway Tracks},
author = {Matthias Brucker and Andrei Cramariuc and Cornelius von Einem and Roland Siegwart and Cesar Cadena},
journal= {arXiv preprint arXiv:2307.15478},
year = {2023}
}