Стабильная облегчённая свёрточная нейронная сеть с адаптивным усилением признаков для эффективного обнаружения объектов на железнодорожном транспорте

Препятствия перед поездом представляют значительную угрозу безопасности движения, и многие аварии происходят при маневровой работе, когда скорость поезда составляет менее 45 км/ч. Существующим алгоритмам обнаружения объектов на железнодорожном пути трудно одновременно обеспечить высокие точность и скорость обнаружения в маневровом режиме. Кроме того, их точность недостаточна, особенно при обнаружении малых объектов в сложных условиях. Для решения этих проблем предложена стабильная облегчённая сеть извлечения признаков и адаптивного слияния признаков для обнаружения препятствий в реальном времени в железнодорожных транспортных сценариях, что повышает безопасность движения. Предлагаемая сеть состоит из трёх модулей. Стабильный модуль извлечения низкоуровневых признаков снижает вычислительную нагрузку и обеспечивает более надёжное извлечение информации из изображений. Облегчённый модуль извлечения признаков улучшает выделение признаков с использованием простой и эффективной сети. Усиленный модуль адаптивного слияния признаков объединяет признаки изображения и исходные признаки, повышая точность многомасштабного обнаружения в сложных условиях, особенно для малых объектов. При размере входного изображения по умолчанию 416 × 416 пикселей (px) предложенный метод обеспечивает скорость обнаружения 81 кадр/с и среднюю точность (mean average precision, mAP) 94,75% на наборе данных железнодорожного транспорта, а также скорость обнаружения 78 кадров/с — на 26 кадров/с выше, чем у YOLOv4, и на 0,47% выше по соответствующему показателю, — и среднюю точность 42,5% на наборе MS COCO. Это свидетельствует о потенциале метода для обнаружения объектов на железнодорожном транспорте в реальных условиях и решения других задач обнаружения множества объектов. Кроме того, экспериментальные результаты на наборах данных PASCAL VOC2007 и VOC2012 показывают, что предложенный подход значительно превосходит современные модели.