轨道交通的运营和维护需要高精度的物体检测和跟踪技术,以确保乘客安全和系统正常运行。近年来,随着Vision in Transformer的提出,融合注意力机制的大模型在物体检测领域取得了广泛的应用,但是在实现高精度与高鲁棒性的模型训练的过程中...轨道交通的运营和维护需要高精度的物体检测和跟踪技术,以确保乘客安全和系统正常运行。近年来,随着Vision in Transformer的提出,融合注意力机制的大模型在物体检测领域取得了广泛的应用,但是在实现高精度与高鲁棒性的模型训练的过程中,注意力机制对数据的需求量是巨大的。在处理图像数据的过程中,往往会伴随着大量人力、物力的消耗。为降低数据处理成本,文章提出了一种融入了注意力机制的半监督物体检测策略,以提高模型的鲁棒性。研究结果表明,在只处理了10%数据的前提下,采用Grounding DINO和YOLO-World等检测器作为算法的主干,然后在算法的head层采用CBAM、CoTAttention、SEAttention等融合注意力机制,在数据集上达到了0.70±0.04的mAP精度,相比于传统的半监督物体检测,可以得到5.14%的mAP增益,为后续轨道交通物体检测大模型的研究提供参考。展开更多
文摘疲劳驾驶作为交通事故的主要诱因之一,针对其客观准确检测是预防事故发生的重要途径。鉴于信息互补与融合理论,提出一种融合前额单通道脑电(electroencephalogram,EEG)与内嵌眨眼电位(eye blink potential,EBP)特征的列车司机疲劳驾驶检测方法。设计移动标准差(moving standard deviation,MSD)算法从前额EEG中检测EBP,以精确提取其相关特征;在此基础上,采用离散小波变换剔除EEG中的EBP,获得相对纯净的EEG信号,对其进行子带分解,分解后提取各子带的时频特征;为发挥不同类型特征内在潜能,设计基于权重系数的特征融合策略,用于融合内嵌EBP特征和EEG子带特征,将融合特征输入至由CNN和LSTM构成的并行神经网络架构中,以实现多种生理特征信息互补,充分发挥2类神经网络在数据挖掘中的优势互补,进而实现疲劳驾驶检测。实验结果表明:从EBP中提取的3种特征能够有效用于疲劳驾驶检测,通过为不同特征添加权重系数进行融合,充分发挥2类特征内在潜能,相比于未添加权重系数的检测方法,检测准确率从82.12%提升至91.35%,提升了9.23个百分点。同时并行CNN-LSTM网络有效整合2类网络的决策优势,大幅提升了疲劳驾驶检测精度,最终获得了95.48%的检测准确率。该方法有效融合EEG与EBP特征中疲劳驾驶检测潜在的有价值信息,验证了前额单通道EEG在疲劳驾驶检测中良好的实用性,为铁路运输中疲劳驾驶预警和辅助安全驾驶提供一种有效的解决方案。
文摘轨道交通的运营和维护需要高精度的物体检测和跟踪技术,以确保乘客安全和系统正常运行。近年来,随着Vision in Transformer的提出,融合注意力机制的大模型在物体检测领域取得了广泛的应用,但是在实现高精度与高鲁棒性的模型训练的过程中,注意力机制对数据的需求量是巨大的。在处理图像数据的过程中,往往会伴随着大量人力、物力的消耗。为降低数据处理成本,文章提出了一种融入了注意力机制的半监督物体检测策略,以提高模型的鲁棒性。研究结果表明,在只处理了10%数据的前提下,采用Grounding DINO和YOLO-World等检测器作为算法的主干,然后在算法的head层采用CBAM、CoTAttention、SEAttention等融合注意力机制,在数据集上达到了0.70±0.04的mAP精度,相比于传统的半监督物体检测,可以得到5.14%的mAP增益,为后续轨道交通物体检测大模型的研究提供参考。
