基于三重注意力的轨道交通场景多任务感知算法

针对轨道交通场景下环境感知中目标检测精度不足、检测速度缓慢以及如何在两者之间寻求平衡的挑战,文章提出了一种可同时检测与分割的多任务感知模型。首先,针对轨道交通场景现有数据集缺失问题,利用在轨道现场拍摄的样本图片创建了铁路环境感知数据集,用于训练模型和评估模型;其次,针对数据集数据量有限、多样性不足的问题,对数据集进行Differential RandAugment数据增强,通过引入可微分参数来优化数据增强策略,生成更加多样化的训练样本;最后,增加三重注意力机制以改进原YOLOP算法在特征提取时丢失关键信息的不足,通过对特征图3个方向进行注意力加权,改善了原始模型对关键信息的提取情况,从而提升了模型在小目标检测任务中的性能。通过在实际场景数据集上进行验证,结果表明,该模型在小目标检测、运行速度和环境适应性方面都取得了显著的改进。在自创数据集上,所有类别目标的检测准确率达到了0.945,召回率为0.853,平均精度为0.900;在小目标检测方面,平均精度达到了0.837,检测速度达到了23.5帧/s,为轨道交通领域的目标检测研究提供了有效的解决方案,具有重要的实际应用前景。