文献类型：期刊文章

作　　者：路通[1] 余祖俊[1,2] 郭保青[1,3] 阮涛[1,2]

LU Tong;YU Zu-jun;GUO Bao-qing;RUAN Tao(School of Mechanical and Electronic Control Engineering,Beijing Jiaotong University,Beijing 100044,China;Frontier Science Center for Intelligent High-speed Railway System,Beijing Jiaotong University,Beijing 100044,China;Collaborative Innovation Center of Railway Traffic Safety,Beijing Jiaotong University,Beijing 100044,China)

机构地区：[1]北京交通大学机械与电子控制工程学院,北京100044 [2]北京交通大学智慧高铁系统前沿科学中心,北京100044 [3]北京交通大学轨道交通安全协同创新中心,北京100044

出　　处：《交通运输系统工程与信息》

基　　金：中央高校基本科研业务费专项资金(2022JBXT005);国家自然科学基金(52072026)。

年　　份：2023

卷　　号：23

期　　号：2

起止页码：233-241

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：语义分割是智能感知的基础。本文针对复杂铁路场景类别易混淆及有效特征难提取的问题,提出一种基于网状多尺度融合与双向通道注意力的铁路场景语义分割网络。为增强模型对各类铁路设施的判别能力,提出网状多尺度融合模块。该模块嵌入主干网络,获取不同尺度的特征并行连接,并在融合层进行网状信息交互,实现不同分支的特征融合。通过汇聚其他分支输入,模型输出可同时保留多分辨率特征。为提升复杂铁路场景下有效特征的提取性能,提出双向通道注意力模块。正向通道注意力模块位于主干网络上下采样操作后,使输出特征图由不同尺度的输入特征加权重组,从而自适应地提升有效特征的表达;反向通道注意力模块插入模型最终输出之前,保留底层空间信息的同时,生成有效高阶语义信息。在RailSem19铁路数据集上的实验结果表明,本文所述方法对于易混淆类别,以及轨道区域、接触网立柱、列车及防护栅栏等铁路设施类别的分割性能均有显著提升,m IoU达到65.12%,相比于其他方法有一定提升。

关 键 词：智能交通 铁路语义分割  深度学习  复杂铁路场景  网状多尺度融合  双向通道注意力  

分 类 号：U495[物流管理与工程类]