Vision-Based Few-Shot Railway Intrusion Detection via Dual-Detector and Contrastive Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the rapid advancement of rail transit, railway intrusion detection has become a crucial and indispensable technology for ensuring the safe operation of trains. Current mainstream railway intrusion detection methods are based on deep learning and general object detection frameworks. However, they rely on large-scale, high-cost annotated datasets, leading to expensive data collection and poor performance in data-scarce railway scenarios. Meanwhile, few-shot object detection methods often generalize poorly to novel classes and suffer from catastrophic forgetting of base classes. To address these issues, we leverage a visible-light camera as the vision sensor and propose a few-shot railway intrusion detection method based on Dual Detector, Contrastive Learning within Novel Classes (CLNC), and an Efficient Fine-Tuning Framework. The Dual Detector design decouples the detection of base and novel classes, mitigating catastrophic forgetting, while the CLNC module enhances intra-class compactness and inter-class separability, improving generalization to novel classes. Additionally, the Efficient Fine-Tuning Framework optimizes module collaboration, further enhancing detection accuracy. Extensive experiments on the self-constructed few-shot railway intrusion dataset (FSRI2024), collected using a visible-light camera, demonstrate that the proposed G-FSRD achieves better performance compared to state-of-the-art few-shot object detection methods. It effectively preserves common base intrusions detection performance while efficiently adapting to rare novel intrusions, making it well-suited for railway intrusion detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle