基于度量元学习的铁路小样本入侵目标检测方法

郭保青; 张德芬

doi:10.37188/OPE.20233112.1816

您当前的位置：

首页 >

文章列表页 >

基于度量元学习的铁路小样本入侵目标检测方法

信息科学 | 更新时间：2023-07-17

- 基于度量元学习的铁路小样本入侵目标检测方法
- Railway few-shot intruding objects detection method with metric meta learning
- 光学精密工程 2023年31卷第12期页码：1816-1826
- 作者机构：
  
  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
- 作者简介：
  
  [ "郭保青（1978-），男，河北涞水人，教授，博士生导师，2004，2009年于北京交通大学分别获硕士和博士学位，主要从事铁路基础设施状态智能感知，机器视觉检测方面的研究工作。Email：bqguo@bjtu.edu.cn" ]
  [ "张德芬（1997-），女，湖北仙桃人，研究生在读，2019于北方工业大学获得学士学位，现于北京交通大学攻读硕士学位，研究方向为小样本学习目标检测。E-mail：19121285@bjtu.edu.cn" ]
- 基金信息：
  
  国家自然科学基金资助项目(52072026);中国国家铁路集团有限公司系统性重大课题资助项目(P2020T002)
- DOI：10.37188/OPE.20233112.1816
  中图分类号： U298;TP394.1
- 收稿日期：2022-06-14，
  
  修回日期：2022-08-06，
  
  纸质出版日期：2023-06-25
- 稿件说明：
移动端阅览
郭保青,张德芬.基于度量元学习的铁路小样本入侵目标检测方法[J].光学精密工程,2023,31(12):1816-1826.

GUO Baoqing,ZHANG Defen.Railway few-shot intruding objects detection method with metric meta learning[J].Optics and Precision Engineering,2023,31(12):1816-1826.
郭保青,张德芬.基于度量元学习的铁路小样本入侵目标检测方法[J].光学精密工程,2023,31(12):1816-1826. DOI： 10.37188/OPE.20233112.1816.

GUO Baoqing,ZHANG Defen.Railway few-shot intruding objects detection method with metric meta learning[J].Optics and Precision Engineering,2023,31(12):1816-1826. DOI： 10.37188/OPE.20233112.1816.

摘要

异物入限是导致铁路安全事故频发的主要原因之一，传统深度学习需要大量训练样本进行网络训练，但铁路场景中入侵样本很少且难于获取。本文提出了基于改进度量元学习的铁路小样本异物入侵检测方法。为了让入侵目标的特征表征在分类时发挥更大作用，提出了基于通道注意力机制的特征提取网络；为解决样本数量不足时个别样本在特征空间中产生偏离的问题，提出了一种基于类中心微调的网络用于类别中心的修正；同时，基于center loss与交叉熵构建了中心相关损失函数用于小样本网络训练，提升特征空间中同类别特征分布的紧凑性。在公共数据集miniImageNet上与经典小样本学习模型中最优的相比，本文算法在5-way 5-shot设置下图像分类准确率提升了7.31%。在铁路入侵小样本数据集的5-way 5-shot消融实验表明：本文提出的通道注意力机制（Channel Attention Mechanism，CAM）和中心相关损失函数分别提升0.86%和1.91%的检测精度；提出的类中心微调和预训练方法对检测精度的提升效果更明显，分别达到3.05%和6.70%，上述模块综合应用的提升效果达到了7.90%。

Abstract

Object intrusion is among the primary causes of railway accidents. Typically， traditional deep-learning methods require numerous samples for network training； however， intrusion samples in railway settings are scarce and difficult to obtain. Thus， in this paper， a railway few-shot intruding-object detection method based on an improved metric meta-learning network is proposed. To better exploit the features of intruding objects during classification， a feature-extraction network based on the channel attention mechanism is proposed. A network based on fine-tuning of the class center is proposed for class-center correction to solve the problem of individual samples deviating in the feature space of insufficient samples. Additionally， a central correlation loss function based on the center loss and cross entropy is constructed for few-shot network training to improve the compactness of the same-class feature distribution in the feature space. In experiments on a public few-shot dataset called miniImageNet， the accuracy of the proposed method is 7.31% higher than the optimal accuracy of the classical few-shot learning model. In five-way five-shot ablation experiments using a railway dataset， the proposed channel attention mechanism and center-related loss function increase the mean average precision （mAP） by 0.86% and 1.91%， respectively. Additionally， the center fine-tuning and pretraining increase the mAP by 3.05% and 6.70%， respectively， and the total mAP improvement is 7.90%.

关键词

Keywords

references

CATALANO A ， BRUNO FA ， GALLIANO C ， et al . An optical fiber intrusion detection system for railway security ［J］. Sensors and Actuators A： Physical ， 2017 ， 253 ： 91 - 100 . doi: 10.1016/j.sna.2016.11.026 http://dx.doi.org/10.1016/j.sna.2016.11.026

ALVAREZ F J ， URENA J ， MAZO M ， et al . Ultrasonic Sensor System for Detecting Falling Objects on Railways ［C］. IEEE Intelligent Vehicles Symposium.14 - 17 ， 2004， Parma， Italy. IEEE ， 2004： 866 - 871 . doi: 10.1109/ivs.2004.1336498 http://dx.doi.org/10.1109/ivs.2004.1336498

王瑞，李霄峰，史天运，等 . 基于视频深度学习的铁路周界入侵检测算法研究［J］. 交通运输系统工程与信息， 2020 ， 20 （ 2 ）： 61 - 68 .

WANG R ， LI X F ， SHI T Y ， et al . Railway perimeter intrusion detection algorithms based on video deep learning ［J］. Journal of Transportation Systems Engineering and Information Technology ， 2020 ， 20 （ 2 ）： 61 - 68 . （in Chinese）

陈莹，朱宇 . 模态自适应权值学习机制下的多光谱行人检测网络［J］. 光学精密工程， 2020 ， 28 （ 12 ）： 2700 - 2709 . doi: 10.37188/OPE.20202812.2700 http://dx.doi.org/10.37188/OPE.20202812.2700

CHEN Y ， ZHU Y . Multispectral pedestrian detection network under modal adaptive weight learning mechanism ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 12 ）： 2700 - 2709 . （in Chinese） . doi: 10.37188/OPE.20202812.2700 http://dx.doi.org/10.37188/OPE.20202812.2700

郭保青，王宁 . 基于改进深度卷积网络的铁路入侵行人分类算法［J］. 光学精密工程， 2018 ， 26 （ 12 ）： 3040 - 3050 . doi: 10.3788/ope.20182612.3040 http://dx.doi.org/10.3788/ope.20182612.3040

GUO B Q ， WANG N . Pedestrian intruding railway clearance classification algorithm based on improved deep convolutional network ［J］. Opt. Precision Eng. ， 2018 ， 26 （ 12 ）： 3040 - 3050 . （in Chinese） . doi: 10.3788/ope.20182612.3040 http://dx.doi.org/10.3788/ope.20182612.3040

何文玉，杨杰，张天露 . 基于深度学习的轨道异物入侵检测算法［J］. 计算机工程与设计， 2020 ， 41 （ 12 ）： 3376 - 3383 .

HE W Y ， YANG J ， ZHANG T L . Orbital foreign object intrusion detection algorithm based on deep learning ［J］. Computer Engineering and Design ， 2020 ， 41 （ 12 ）： 3376 - 3383 . （in Chinese）

宋闯，赵佳佳，王康等 . 面向智能感知的小样本学习研究综述［J］. 航空学报， 2020 ， 41 （ S1 ）： 15 - 28 .

SONG CH ， ZHAO J J ， WANG K ， et al . A survey of few shot learning based on intelligent perception ［J］. Acta Aeronautica et Astronautica Sinica ， 2020 ， 41 （ S1 ）： 15 - 28 .

SNELL J , SWERSK Y K , ZEMEL R , Prototypical net-works for few-shot learning [C]. Advances in Neural Information Processing Systems , 2017 : 4077 - 4087 .

SUNG F , YANG Y , ZHANG L , et al . Learning to compare:Relation network for few-shot learning [C]. IEEE , 2018 : 1199 - 1208 . doi: 10.1109/cvpr.2018.00131 http://dx.doi.org/10.1109/cvpr.2018.00131

XU C Y ， SHEN J Z ， DU X . A method of few-shot network intrusion detection based on meta-learning framework ［J］. IEEE Transactions on Information Forensics and Security ， 2020 ， 15 ： 3540 - 3552 . doi: 10.1109/tifs.2020.2991876 http://dx.doi.org/10.1109/tifs.2020.2991876

ALFASSY A ， KARLINSKY L ， AIDES A ， et al . LaSO： Label-Set Operations Networks for Multi-Label Few-Shot Learning ［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . 15 - 20 ， 2019， Long Beach， CA， USA. IEEE ， 2020： 6541 - 6550 . doi: 10.1109/cvpr.2019.00671 http://dx.doi.org/10.1109/cvpr.2019.00671

ZHANG C ， CAI Y J ， LIN G S ， et al . DeepEMD： Few-Shot Image Classification with Differentiable Earth Mover's Distance and Structured Classifiers ［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . 13 - 19 ， 2020， Seattle， WA， USA. IEEE ， 2020： 12200 - 12210 . doi: 10.1109/cvpr42600.2020.01222 http://dx.doi.org/10.1109/cvpr42600.2020.01222

HE K M ， ZHANG X Y ， REN S Q ， et al . Deep Residual Learning for Image Recognition ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR） . 27 - 30 ， 2016， Las Vegas， NV， USA. IEEE ， 2016： 770 - 778 . doi: 10.1109/cvpr.2016.90 http://dx.doi.org/10.1109/cvpr.2016.90

HU J ， SHEN L ， SUN G . Squeeze-and-Excitation Networks ［C］. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition . 18 - 23 ， 2018， Salt Lake City， UT， USA. IEEE ， 2018： 7132 - 7141 . doi: 10.1109/cvpr.2018.00745 http://dx.doi.org/10.1109/cvpr.2018.00745

WOO S ， PARK J ， LEE J Y ， et al . CBAM ： Convolutional Block Attention Module ［M］. Computer Vision - ECCV 2018. Cham ： Springer International Publishing ， 2018 ： 3 - 19 . doi: 10.1007/978-3-030-01234-2_1 http://dx.doi.org/10.1007/978-3-030-01234-2_1

WEN Y D ， ZHANG K P ， LI Z F ， et al . A Discriminative Feature Learning Approach for Deep Face Recognition ［M］. Computer Vision-ECCV 2016. Cham ： Springer International Publishing ， 2016 ： 499 - 515 . doi: 10.1007/978-3-319-46478-7_31 http://dx.doi.org/10.1007/978-3-319-46478-7_31

FINN C ， ABBEEL P ， LEVINE S . Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks ［C］. Proceedings of the 34th International Conference on Machine Learning - Volume 70. August 6 - 11 ， 2017， Sydney， NSW， Australia. New York ： ACM ， 2017： 1126 - 1135 .

VINYALS O ， BLUNDELL C ， LILLICRAP T ， et al . Matching Networks for One Shot Learning ［C］. Proceedings of the 30th International Conference on Neural Information Processing Systems . New York ： ACM ， 2016 ： 3637 - 3645 .

CHEN W ， LIU Y ， KIRA Z ， et al . A closer look at few-shot classification ［C］. arXiv preprint arXiv ： 1904 .04232. 2019 .

浏览量

178

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于MA-DETR的SAR图像飞机目标检测

融合特征重组和注意力的小样本战斗部破片群目标检测

位置敏感Transformer航拍图像目标检测模型

引入注意力机制的轻量级小目标检测网络

基于注意力机制的宽波段小目标实时去模糊