小样本下基于改进度量学习的轨面状态识别#br#

doi:10.3969/j.issn.1006-2475.2024.06.015

计算机与现代化 ›› 2024, Vol. 0 ›› Issue (06): 89-94.doi: 10.3969/j.issn.1006-2475.2024.06.015

小样本下基于改进度量学习的轨面状态识别#br#

（1.湖南工业大学轨道交通学院，湖南株洲 412007； 2.湖南铁道职业技术学院智能控制学院，湖南株洲 412012）

出版日期:2024-06-30 发布日期:2024-07-17
作者简介: 作者简介：于惠钧（1975—），男，河南驻马店人，教授，硕士生导师，博士，研究方向：图像处理，系统保护与自动化技术，测试与故障诊断，自动控制，E-mail: arejunyu@foxmail.com；彭慈兵（2000—），男，湖南宁乡人，硕士研究生，研究方向：小样本学习，图像处理，E-mail： bigeral@qq.com；通信作者：刘建华（1981—），男，河南商水人，副教授，硕士生导师，博士，研究方向：轨道交通智能运维，模式识别，电传动与控制，E-mail: jhliu0615@163.com；张锦圣（1997—），河南驻马店人，硕士研究生，研究方向：深度学习，图像处理，E-mail： 1114788239@qq.com；刘丽丽（1985—），女，河南驻马店人，副教授，研究方向：复杂系统建模与控制，图像处理，E-mail： 18018999851@163.com。
基金资助:
国家自然科学基金资助项目（52272347）；湖南省自然科学基金资助项目（2021JJ30217，2022550095）；湖南省教育厅科学研究重点项目（20A162）

Rail Surface State Identification Based on Improved Metric Learning under Small Samples

（1. School of Rail Transportation， Hunan University of Technology， Zhuzhou 412007， China；
2. School of Intelligent Control， Hunan Railway Professional Technology College， Zhuzhou 412012， China）

Online:2024-06-30 Published:2024-07-17

摘要/Abstract

摘要：
摘要：为解决小样本下轨面状态识别过程中存在的关键特征信息提取不充分、区分度信息易丢失的问题，提出一种基于改进度量学习的轨面状态识别方法。该方法在特征提取网络部分引入金字塔拆分注意力机制，实现特征图空间信息多尺度提取、跨维度通道注意力与空间注意力特征交互，以解决轨面状态样本少导致的关键特征信息提取不充分的问题。利用深度局部拼接符对查询集与各类支撑集特征图进行局部特征两两拼接，代替传统度量学习的全局特征拼接，筛选背景等干扰信息，较大程度地保留有显著区分度的特征信息。在自建小样本轨面状态数据集上进行性能验证，并与常规小样本学习方法进行对比实验，实验结果表明，本文方法能够有效识别轨面状态，识别准确率、精度、召回率、F1值分别达到97.96%、98.61%、98.07%、98.34%，相比于性能较好的小样本学习方法DN4网络，各项指标分别提升了5.75个百分点、5.83个百分点、5.95个百分点、5.89个百分点。

关键词: 关键词：轨面状态识别, 小样本, 度量学习, 金字塔拆分注意力, 深度局部拼接

Abstract: Abstract: In order to solve the problems of insufficient extraction of key feature information and easy loss of discrimination information in the process of rail surface state identification under small sample conditions， a rail surface state identification method based on improved metric learning is proposed. This method incorporates a pyramid split attention mechanism in the feature extraction network to achieve multi-scale extraction of feature map spatial information， cross-dimensional channel attention and spatial attention feature interaction， so as to solve the problem of insufficient extraction of key feature information caused by the small number of track state samples. Additionally， a deep local splicing operator is employed to splice the local features of the query set and various support set feature maps in pairs， replacing the global feature splicing used in traditional metric learning. This helps fitter out filtering interference information such as background noise， and retains significant distinguishing feature information to a greater extent. Experimental results show that the proposed method can effectively identify the rail surface status， and the recognition accuracy， precision， recall rate， and F1 value reach 97.96%， 98.61%， 98.07%， and 98.34%， respectively. Compared with the small sample learning method the DN4 network with better performance， these indicators increased by 5.75， 5.83， 5.95， and 5.89 percentage points， respectively.

Key words: Key words: rail surface state recognition, small sample, metric learning, pyramid split attention, deep local splicing

中图分类号:

TP391

于惠钧1, 彭慈兵1, 刘建华1, 张锦圣1, 刘丽丽2. 小样本下基于改进度量学习的轨面状态识别#br#[J]. 计算机与现代化, 2024, 0(06): 89-94.

YU Huijun1, PENG Cibing1, LIU Jianhua1, ZHANG Jinsheng1, LIU Lili2. Rail Surface State Identification Based on Improved Metric Learning under Small Samples[J]. Computer and Modernization, 2024, 0(06): 89-94.

参考文献

［1］王军. 高速列车技术与产业发展机制及实施路径［J］. 铁道学报， 2021，43（2）:103-110.
［2］何成刚，张佩祯，邹港，等. 自然环境条件下轮轨接触黏着特性研究进展［J］. 摩擦学学报， 2022，42（3）:642-656.
［3］ LIU J， LIU L， HE J， et al. Wheel/rail adhesion state identification of heavy-haul locomotive based on particle swarm optimization and kernel extreme learning machine［J］. Journal of Advanced Transportation， 2020.
［4］何静，刘建华，张昌凡. 重载机车轮轨黏着利用技术研究综述［J］. 铁道学报， 2018，40（9）:30-39.
［5］ ZHANG H， PAN D， LIU J， et al. A novel MAS-GAN-based data synthesis method for object surface defect detection［J］. Neurocomputing， 2022，499:106-114.
［6］尹冠生，高建国，史明辉，等. 图像分块下的隧道裂缝识别方法［J］. 交通运输工程学报， 2022，22（02）:148-159.
［7］ LAI N， KAN M， HAN C， et al. Learning to learn adaptive classifier–predictor for few-shot learning［J］. IEEE Transactions on Neural Networks and Learning Systems， 2020，32（8）:3458-3470.
［8］刘颖，雷研博，范九伦，等. 基于小样本学习的图像分类技术综述［J］. 自动化学报， 2021，47（2）:297-315.
［9］李凡长，刘洋，吴鹏翔，等. 元学习研究综述［J］. 计算机学报， 2021，44（2）:422-446.
［10］ CHENG M， WANG H， LONG Y. Meta-learning-based incremental few-shot object detection［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2021，32（4）:2158-2169.
［11］ LI J， CHIU B， FENG S， et al. Few-shot named entity recognition via meta-learning［J］. IEEE Transactions on Knowledge and Data Engineering， 2020，34（9）:4245-4256.
［12］ SUN Q， LIU Y， CHEN Z， et al. Meta-transfer learning through hard tasks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020，44（3）:1443-1456.
［13］ WANG Y， YAN J， YE X， et al. Few-shot transfer learning with attention mechanism for high-voltage circuit breaker fault diagnosis［J］. IEEE Transactions on Industry Applications， 2022，58（3）:3353-3360.
［14］ GAO F， CAI L， YANG Z， et al. Multi-distance metric network for few-shot learning［J］. International Journal of Machine Learning and Cybernetics， 2022，13（9）:2495-2506.
［15］ JIANG W， HUANG K， GENG J， et al. Multi-scale metric learning for few-shot learning［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2020，31（3）:1091-1102.
［16］ LI P， TUZHILIN A. Dual metric learning for effective and efficient cross-domain recommendations［J］. IEEE Transactions on Knowledge and Data Engineering， 2021，35（1）:321-334.
［17］ SNELL J， SWERSKY K， ZEMEL R. Prototypical networks for few-shot learning［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. 2017:4080-4090.
［18］ SUNG F， YANG Y， ZHANG L， et al. Learning to compare: relation network for few-shot learning［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018:1199-1208.
［19］ LI W， XU J， HUO J， et al. Distribution consistency based covariance metric networks for few-shot learning［C］// Proceedings of the AAAI Conference on Artificial Intelligence. 2019，33（1）:8642-8649.
［20］ ZHANG H， ZU K， LU J， et al. EPSANet: An efficient pyramid squeeze attention block on convolutional neural network［C］// Proceedings of the Asian Conference on Computer Vision. 2022:1161-1177.
［21］ FINN C， ABBEEL P， LEVINE S. Model-agnostic meta-learning for fast adaptation of deep networks［C］// International Conference on Machine Learning. PMLR， 2017:1126-1135.
［22］ RAVI S， LAROCHELLE H. Optimization as a model for few-shot learning［C］// International Conference on Learning Representations. 2017:24-26.
［23］ HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018:7132-7141.
［24］ WOO S， PARK J， LEE J Y， et al. CBAM: Convolutional block attention module［C］// Proceedings of the European Conference on Computer Vision （ECCV）. 2018:3-19.
［25］ VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］.// Proceedings of the 31st International Conference on Neural Information Processing Systems. Curran Associates Inc， 2017:6000-6010.
［26］ ZHU F D， FANG C W， MA K K. Pnen: Pyramid non-local enhanced networks［J］. IEEE Transactions on Image Processing， 2020，29:8831-8841.
［27］ WANG Q L， WU B G， ZHU P E， et al. ECA-Net: Efficient channel attention for deep convolutional neural networks［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020:11534-11542.
［28］ LIU J H， YANG H V， HE J， et al. Unbalanced fault diagnosis based on an invariant temporal-spatial attention fusion network［J］. Computational Intelligence and Neuroscience， 2022:1875011.
［29］ WEI X K， WEI D H， SUO D， et al. Multi-target defect identification for railway track line based on image processing and improved YOLOv3 model［J］. IEEE Access， 2020，8:61973-61988.
［30］ WANG H， LI M J， WAN Z B. Rail surface defect detection based on improved Mask R-CNN［J］. Computers and Electrical Engineering， 2022，102:108269.
［31］ LI X， YANG X， MA Z， et al. Deep metric learning for few-shot image classification: a review of recent developments［J］. Pattern Recognition， 2023:109381.

[1]	郭泽昕, 钟国韵, 何剑锋, 张军. 基于深度学习的超市果蔬检索方法[J]. 计算机与现代化, 2024, 0(04): 60-65.
[2]	夏千涵, 何胜煌, 吴元清, 赵乐乐. 基于可学习记忆特征金字塔网络的小样本目标检测[J]. 计算机与现代化, 2023, 0(12): 7-13.
[3]	于韬, 张英, 拥措, . 基于小样本学习的藏文命名实体识别[J]. 计算机与现代化, 2023, 0(05): 13-19.
[4]	王伟, 余厚云, . 基于改进深度度量学习算法的表面缺陷检测[J]. 计算机与现代化, 2021, 0(06): 61-68.
[5]	徐龙. 基于自注意力和胶囊网络的短文本情感分析[J]. 计算机与现代化, 2020, 0(07): 61-64.
[6]	樊笛,巨志勇. 基于原型网络的小样本图像识别方法[J]. 计算机与现代化, 2020, 0(03): 103-.
[7]	陈湘，王玲. 权值融合原始和虚拟样本的人脸识别方法[J]. 计算机与现代化, 2017, 0(3): 91-.
[8]	曾岳;冯大政. 一种可调控制参数的LDA人脸识别算法 [J]. 计算机与现代化, 2010, 1(12): 61-64.

小样本下基于改进度量学习的轨面状态识别#br#

Rail Surface State Identification Based on Improved Metric Learning under Small Samples

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 8

编辑推荐

Metrics

本文评价