轨道检测：一种高效的基于行的网络与一个新基准
计算机视觉与模式识别
2023-04-13 v1
摘要
轨道检测对于铁路异常检测至关重要，旨在识别视频帧中的铁路区域。尽管已有各种关于轨道检测的研究，但社区中既无开放的基准，也无高速网络，使得算法比较与开发困难。受车道检测发展的启发，我们提出了一个轨道数据库和一种基于行的轨道检测方法。具体而言，我们做出了若干贡献：(i) 我们提出了一个真实世界铁路数据集 Rail-DB，包含 7432 对图像与标注。图像采集自光照、道路结构和视角不同的情形。轨道用折线标注，图像分为九类场景。Rail-DB 有望促进轨道检测算法的改进。(ii) 我们提出了一种高效的基于行的轨道检测方法 Rail-Net，包含轻量卷积主干和一个锚分类器。具体地，我们将轨道检测过程表述为一个基于行的选择问题。与替代的分割方法相比，该策略降低了计算成本。(iii) 我们在 Rail-DB 上通过大量实验评估了 Rail-Net，包括跨场景设置以及从 ResNet 到 Vision Transformers 的网络主干。我们的方法在速度和精度上均取得了有前景的性能。值得注意的是，轻量版本可达到 92.77% 的准确率和每秒 312 帧。Rail-Net 比传统方法高出 50.65%，比分割方法高出 5.86%。数据库与代码见：https://github.com/Sampson-Lee/Rail-Detection。
引用
@article{arxiv.2304.05667,
title = {Rail Detection: An Efficient Row-based Network and A New Benchmark},
author = {Xinpeng Li and Xiaojiang Peng},
journal= {arXiv preprint arXiv:2304.05667},
year = {2023}
}
备注
Accepted by ACMMM 2022