.png){kind=icon}
返回
Dynamic radius-based intersection-over-union loss function optimization method for rail line detection
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/ae0cf2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
铁路线检测是确保轨道交通系统安全与效率的关键技术。尽管计算机视觉和深度学习领域取得了显著进展，现有方法在远距离和弯曲路段的铁路线检测方面仍存在挑战，特别是在复杂环境条件下。为解决这些局限性，本研究提出了一种新型动态回归损失函数，即基于动态半径的交并比损失（Dynamic Radius-Based intersection-over-union Loss, Dynamic RIoU Loss），旨在优化复杂场景下的检测精度。所提出的动态RIoU（DR）损失函数整合了基于半径的交并比指标与基于宽度的动态加权机制，使模型能够优先处理远距离弯曲区域并适应多样化的轨道几何形状。在RailSem19和DL-Rail数据集上进行了大量实验，结果表明DR损失函数始终优于现有方法，检测精度提升2%–4%，回归误差降低5–8个百分点。本研究不仅推动了复杂环境下的铁路线检测技术发展，也为提升智能轨道交通系统奠定了基础，为更安全、更可靠的铁路运营做出了贡献。
期刊
IF:
3.4
论文数:
2.7K
被引数:
2.3W
机构
引用论文
分享收藏The nexus of intelligent transportation: a lightweight Bi-input fusion detection model for autonomous-rail rapid transit智能交通的枢纽：一种轻量级双输入融合检测模型，用于自主铁路快速交通.png)
IF0
PREAI
分享收藏A Machine Vision System Based on Driving Recorder for Automatic Inspection of Rail CurvatureIEEE SENSORS JOURNAL
OAAI
IEEE SENSORS JOURNALIF4.5
OAAI分享收藏
查看更多内容