Local and Global Information in Obstacle Detection on Railway Tracks

要約

鉄道における信頼性の高い障害物検出は、人身事故や列車の損傷や脱線につながる衝突の防止に役立つ可能性があります。
残念ながら、一般的な物体検出器には、考えられるすべてのシナリオを考慮するのに十分なクラスがなく、鉄道上の物体を特徴とするデータセットを取得するのは困難です。
我々は、通常の鉄道画像から鉄道セグメンテーションを学習するために浅いネットワークを利用することを提案します。
ネットワークの限られた受容野は、過信的な予測を防ぎ、ネットワークが鉄道環境の局所的に非常に明確で反復的なパターンに焦点を当てることを可能にします。
さらに、障害物のない画像の幻覚を学習することで、グローバル情報の制御された包含を探求します。
人工的に障害物を追加した鉄道画像を特徴とするカスタム データセットでメソッドを評価します。
私たちが提案した方法は、他の学習ベースのベースライン方法よりも優れています。

要約(オリジナル)

Reliable obstacle detection on railways could help prevent collisions that result in injuries and potentially damage or derail the train. Unfortunately, generic object detectors do not have enough classes to account for all possible scenarios, and datasets featuring objects on railways are challenging to obtain. We propose utilizing a shallow network to learn railway segmentation from normal railway images. The limited receptive field of the network prevents overconfident predictions and allows the network to focus on the locally very distinct and repetitive patterns of the railway environment. Additionally, we explore the controlled inclusion of global information by learning to hallucinate obstacle-free images. We evaluate our method on a custom dataset featuring railway images with artificially augmented obstacles. Our proposed method outperforms other learning-based baseline methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google