.png){kind=icon}
返回
Identifying wagon numbers using transformers
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2024.110000.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在铁路行业中，通过图像数据识别车辆对于简化车辆检查和车队监控流程至关重要。然而，这项任务费时费力，因此自动化该流程对于加速识别过程和消除人为偏差具有关键意义。本研究针对这一挑战，提出了一种多阶段方法，通过检测和组装车辆独特的国际铁路联盟（UIC）编号来识别车辆。该方法采用Transformer架构，在真实图像上的准确率优于其他方法，且运算速度快。模型的有效性通过在超过3,000张不同天气条件下拍摄的独特数据集上进行的大量实验得到验证。表现最佳的机器学习模型展现出卓越的速度和实时性能，在NVIDIA A10G Tensor Core图形处理器上，平均处理100个包含UIC编号的帧耗时不到0.1秒，并且在1到4位数字缺失的情况下，UIC编号组装准确率超过95%。本文的研究成果不仅为将序列到序列模型应用于各类工业目标检测任务开辟了途径，还能显著提升铁路运营效率。
Keyword:
Railway wagon identification
Transformer
Sequence-to-sequence model
Automated identification systems
Object detection
期刊
IF:
8
论文数:
5.4K
被引数:
3.5W
机构
引用论文
Research on improved character recognition technology of wagon number based on Faster-RCNN基于Faster-RCNN的车辆号改进字符识别技术研究
OAAI
OAAI分享收藏Leakage and the reproducibility crisis in machine-learning-based science基于机器学习的科学中的泄漏和可重复性危机.png)
PATTERNS
OAAI
PATTERNSIF7.4
OAAI分享收藏分享收藏End-to-end deep learning pipeline for on-board extraterrestrial rock segmentation端到端深度学习流程用于在轨外星岩石分割OAAI
OAAI分享收藏Use of superpixels for improvement of inter-rater and intra-rater reliability during annotation of medical imagesMEDICAL IMAGE ANALYSISOAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏 没有更多内容
没有更多内容