基于度量元学习的铁路小样本入侵目标检测方法

异物入限是导致铁路安全事故频发的主要原因之一,传统深度学习需要大量训练样本进行网络训练,但铁路场景中入侵样本很少且难于获取。本文提出了基于改进度量元学习的铁路小样本异物入侵检测方法。为了让入侵目标的特征表征在分类时发挥更大作用,提出了基于通道注意力机制的特征提取网络;为解决样本数量不足时个别样本在特征空间中产生偏离的问题,提出了一种基于类中心微调的网络用于类别中心的修正;同时,基于center loss与交叉熵构建了中心相关损失函数用于小样本网络训练,提升特征空间中同类别特征分布的紧凑性。在公共数据集miniImageNet上与经典小样本学习模型中最优的相比,本文算法在5-way 5-shot设置下图像分类准确率提升了7.31%。在铁路入侵小样本数据集的5-way 5-shot消融实验表明:本文提出的通道注意力机制(Channel Attention Mechanism,CAM)和中心相关损失函数分别提升0.86%和1.91%的检测精度;提出的类中心微调和预训练方法对检测精度的提升效果更明显,分别达到3.05%和6.70%,上述模块综合应用的提升效果达到了7.90%。