RailSafeNet：有轨电车安全的视觉场景理解
计算机视觉与模式识别
2025-09-17 v2
摘要
有轨电车与人类的交互安全是一个重要挑战，因为有轨电车经常在人口密集区域运行，碰撞可能导致从轻微伤害到致命后果的各类事故。本文从数字图像处理、深度学习和人工智能的角度出发，提出了解决方案以提升行人、驾驶员、骑行者、宠物和有轨电车乘客的安全。我们提出了RailSafeNet，一个实时框架，融合了语义分割、目标检测和基于规则的距离评估器，以突出显示轨道侵入行为。该系统仅使用单目视频即可识别轨道、定位附近物体，并通过将投影距离与标准1435mm轨距进行比较来分类其风险。在多样化的RailSem19数据集上的实验表明，经过类别筛选的SegFormer B3模型实现了65%的交并比(IoU)，而微调后的YOLOv8在IoU阈值为0.50时达到了75.6%的平均精度(mAP)。因此，RailSafeNet能够提供精确且标注成本低的场景理解能力，可在危险情况升级前向驾驶员发出警告。代码地址：https://github.com/oValach/RailSafeNet。
引用
@article{arxiv.2509.12125,
title = {RailSafeNet: Visual Scene Understanding for Tram Safety},
author = {Ondřej Valach and Ivan Gruber},
journal= {arXiv preprint arXiv:2509.12125},
year = {2025}
}
备注
11 pages, 5 figures, EPIA2025