基于极值理论的序列分数自适应用于鲁棒铁路轨道检测
计算机视觉与模式识别
2015-10-21 v1
摘要
定期检查对于保持铁路轨道良好状态并防止列车事故是必要的。使用机器视觉技术的自动轨道检测已成为非常有效的检测工具。由于其非接触性质，该技术可部署于几乎任何轨道车辆上，持续监测轨道并向轨道维护人员发送异常报告。然而，随着外观和成像条件变化，虚警率可能剧烈改变，使得难以选择良好的工作点。本文中，我们在贝叶斯框架内使用极值理论（EVT）来最优调整异常检测器的灵敏度。我们展示，通过用指数分布（广义帕累托分布的一种特例）近似分数概率密度函数（PDF）的下尾，并利用从训练数据学到的伽马共轭先验，能够降低虚警率的变异性并改善整体性能。该方法在85英里东北走廊（NEC）2012-2013混凝土轨枕数据集上，在杂波存在的情况下将铁路扣件的缺陷检测率（在PFA 0.1%时）从95.40%提升至99.26%。
引用
@article{arxiv.1510.05822,
title = {Sequential Score Adaptation with Extreme Value Theory for Robust Railway Track Inspection},
author = {Xavier Gibert and Vishal M. Patel and Rama Chellappa},
journal= {arXiv preprint arXiv:1510.05822},
year = {2015}
}
备注
To be presented at the 3rd Workshop on Computer Vision for Road Scene Understanding and Autonomous Driving (CVRSUAD 2015)