sunshineine的博客

本文针对高速铁路入侵检测中行人样本稀缺问题，提出基于姿态迁移的GSGAN网络生成方法。通过图卷积网络（GCN）实现精确姿态特征提取与转移，结合空间注意力机制（SA）保留关键外观特征，生成逼真的铁路入侵行人图像序列。实验表明，该方法生成的图像在结构相似性（SSIM提升0.0557）和姿态准确性（Pckh0.5提高0.0236）方面表现优异。将生成数据用于Yolov5等检测模型训练，可使检测准确率提升12.7%，有效解决了样本不足问题，同时大幅降低了人工标注成本。

本文提出了一种结合局部与全局信息的铁路障碍物检测方法，通过浅层网络学习铁路分割并引入随机非铁路图像增强异常识别能力。该方法利用自编码器或GAN生成"无障碍铁路图像"，通过比较原始与重建图像的语义差异检测异常，无需真实障碍物样本训练。在RailSem19增强数据集上的实验表明，该方法在AUROC(0.936)和F1分数(0.863)上显著优于基线模型，尤其擅长检测小型或颜色相近的障碍物。消融实验验证了适度限制感受野(21-29像素)能有效平衡局部与全局信息，避免过度依赖上下文导致的误判。虽

本研究考虑了一个基于摄像头的铁路场景分割系统的具体用例，该系统旨在支持列车自主运行。我们使用深度生成模型演示了对铁路场景进行语义编辑的能力，以使有限数量的测试数据更具代表性。我们还展示了我们的方法如何帮助分析系统符合典型的奇怪需求的程度。具体地说，我们重点评估在不同的照明和天气条件下以及在它们之间转换时的正确操作。

本文提出RailSet铁路异常检测数据集，包含6600张正常场景图像和1100张人工生成的异常图像。针对现有数据集缺乏驾驶员视角和异常样本的问题，研究团队通过两种方式构建数据集：1）基于23个火车视频构建RailSet-Seg语义分割数据集，采用精细标注策略；2）利用StyleMapGAN生成对抗网络创建RailSet-Ano异常数据集，包含轨下空洞和钢轨不连续两类异常。该数据集覆盖多种天气条件，为铁路异常检测提供了标准化测试基准。通过复制-粘贴算法和GAN技术，解决了真实异常样本获取困难的问题，为基于计算

本文提出YOLOSEG策略，用于铁路场景的智能障碍物检测。该方法首先利用Unet网络分割铁路轨道区域生成掩码，再将掩码引入YOLO网络，仅检测轨道区域内的障碍物。针对真实数据获取困难的问题，通过合成方法构建包含多种场景的8000张训练数据集，并提出随机亮度增强策略。实验表明，相比传统目标检测方法，YOLOSEG能有效减少无关物体的误检，在mAP@0.5等指标上表现更优，适用于复杂铁路环境下的入侵检测任务。

本文提出ContRail框架，基于改进的ControlNet模型生成逼真铁路场景图像。通过融合语义分割掩码和边缘图作为多条件输入，并采用BLIP-2自动生成文本提示，有效解决了铁路领域数据稀缺问题。实验表明，该方法在FID指标和视觉质量上均取得良好效果，生成的合成图像能显著提升语义分割模型的训练性能。该研究为自动驾驶列车等铁路感知系统的开发提供了高质量数据合成方案。

（1）Frechet Inception Distance（FID）[10]通过测量真实的图像和ImageNet预训练的Inception-V3 [48]网络上生成的图像之间的特征分布差异来显示生成图像的整体视觉质量。（2）Inception Score（IS）[38]使用在ImageNet网络上预训练的Inception-V3 [48]来计算生成图像输出的统计分数。（3）多样性得分（DS）通过比较DNN特征空间中的LPIPS [55]度量来计算相同布局的两个生成图像之间的多样性。（4）分类评分（CA

SynDRA是一个基于虚幻引擎5构建的铁路应用合成数据集，包含逼真的动态场景和精确的像素级标注。该数据集通过整合OpenStreetMap地理信息和3D建模资产，生成了4种典型铁路场景，涵盖不同光照和天气条件。实验表明，在语义分割和轨道识别任务中，SynDRA能显著提升模型性能：使用15张真实样本时，BisenetX39模型的mIoU从0.28提升至0.35。该数据集支持多种视觉任务扩展，为铁路计算机视觉研究提供了高质量的合成数据资源。数据集已开源：https://syndra.retis.santanna

在铁路系统中检测轨道入侵者的入侵识别算法往往存在学习数据不足和数据不平衡的问题。本研究利用生成模型学习可用数据的底层分布并创建与原始数据相似的新样本来生成合成入侵数据，再使用增强的入侵数据训练深度神经网络，以准确地识别入侵。

《SynRailObs：铁路场景障碍物检测的合成数据集》提出了一种创新性的高保真合成数据集构建方法。该研究通过结合稳定扩散模型、SAM分割技术和图像和谐化处理，生成包含多样化障碍物（行人、岩石、车辆等）和复杂天气条件的铁路场景图像。实验表明，基于该数据集训练的模型在真实场景测试中表现出色，平均精度超过50%，分类准确率达90%以上，并能有效处理零样本情况。该工作解决了铁路障碍物检测领域的数据短缺问题，为复杂环境下的检测任务提供了可靠解决方案。

本文提出RailFOD23数据集，用于铁路输电线路异物检测研究。通过三种方法生成数据：(1)人工PS合成412张图像；(2)结合ChatGPT生成文本提示，使用StableDiffusion和ESRGAN生成4000张高分辨率图像；(3)基于Railsem19数据集的图像合成方法。最终数据集包含14,615张图像和40,541个标注对象，涵盖四种常见异物。实验验证了AIGC生成图像的有效性，并对主流深度学习模型进行性能评估。该数据集解决了异常数据稀缺问题，为铁路异物检测研究提供了重要资源。