使用端到端深度学习进行列车自车路径检测
计算机视觉与模式识别
2024-03-21 v1 图像与视频处理
摘要
本文介绍了“列车自车路径检测”任务，这是一种专为智能车载视觉系统设计的铁路轨道检测的精细化方法。现有研究缺乏精度，且通常将视野内的所有轨道统一对待，而我们提出的任务专门旨在在潜在复杂和动态的铁路环境中识别列车的直接路径，即“自车路径”。在此基础上，我们用自车路径标注扩展了 RailSem19 数据集，以促进这一方向的进一步研究。我们研究的核心是 TEP-Net，这是一个专为自车路径检测定制的端到端深度学习框架，具有可配置的模型架构、动态数据增强策略和领域特定的损失函数。利用基于回归的方法，TEP-Net 优于 SOTA：在以比以往更细致的方式解决轨道检测问题的同时，我们的模型在测试集上达到了 97.5% 的 IoU，并且比所有现有方法都更快。进一步的比较分析突出了 TEP-Net 背后概念选择的相关性，证明了其在不同环境条件和操作动态下固有的鲁棒性倾向。这项工作为开发智能驾驶员辅助系统和自主列车运行开辟了有前景的途径，为更安全、更高效的铁路运输铺平了道路。
引用
@article{arxiv.2403.13094,
title = {Train Ego-Path Detection on Railway Tracks Using End-to-End Deep Learning},
author = {Thomas Laurent},
journal= {arXiv preprint arXiv:2403.13094},
year = {2024}
}