基于深度学习的列车运行环境感知关键算法研究综述

陈智超,杨杰,李凡,冯志成

Review on deep learning-based key algorithm for train running environment perception

Zhichao CHEN,Jie YANG,Fan LI,Zhicheng FENG

表 3 异物检测算法的概况

Tab.3 Main concepts of foreign object detection algorithms

算法类别 算法 主要思路 图片数量 异物类别 YOLO系列 YOLOv4-EDAM[61] 基于轻量级网络改进YOLOv4的主干网络，嵌入注意力机制 1 232 鸟巢、风筝、气球、垃圾 YOLO系列 ST2Rep–YOLOX[58] 基于Swin Transformer改进YOLOX主干，引入高效算子 1 560 鸟巢、风筝、气球 YOLO系列 DF-YOLO[62] 基准模型为YOLOv7-tiny，引入可形变卷积，焦点损失 1 942 鸟巢、风筝、气球、垃圾 RCNN系列 RCNN4SPTL[63] 在FasterRCNN的基础上，利用小卷积核优化网络 5 000 漂浮物、气球、风筝 传统方法结合分类模型 Yu等[59] 通过二值化和形态学处理提取异物区域，基于CNN分类 861 鸟巢、气球、风筝、塑料