Multi-Railway Track and Switch Region Recognition Using Mobile Laser Scanning Data
Notice bibliographique
Résumé
Railway infrastructure is a vital component of modern transportation systems. However, today's railway equipment inspections primarily rely on labor-intensive fieldwork and errorprone human visual analysis. In this study, we present an automated system for the recognition of railway assets using mobile laser scanning data. Our method simultaneously detects rail tracks and localizes switch regions, identifying switch region orientation (right/left), status (open/closed), and overlap type (merge/split). This integrated railway tracing and switch recognition method is built on binary multiscale template matching within a Kalman filtering framework. To trace the railway trajectories, the Kalman filter predicts a new state vector that consists of the position and orientation of the rail track window. This prediction which is based on the previous state vector is then updated using the observed track points already classified in a local track window using the Gaussian mixture model clustering method. To detect multi-tracks and determine appropriate observations for the targeted rail track, we employ minimum description length technique. Lastly, to recognize the switch type, template matching is applied by considering the similarity between a multi-track region and the templates as well as track design constraints observed in the sequential multitrack regions. We test our algorithm on a densely-annotated private benchmark of 3D point cloud data captured from a largescale railway network. Experiments on this dataset show that the proposed method can robustly produce accurate rail track vectors (99.46% recall) and recognize switch types (97% success rate).
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».