SemiCD-BG：利用变化检测技术在铁路运营中实现灾害检测和异常入侵检测

《Sustainable Transport and Livability》：SemiCD-BG: disaster detection and anomaly intrusion detection in railroad operation using change detection

智能交通系统中基于半监督背景一致性变体检测的灾害与异常入侵监测方法，通过渐进式学习策略与多级数据增强，在仅需10%标注数据情况下实现92%-96%分类准确率，有效解决传统方法标注成本高、泛化能力差的问题。

　　在高速铁路系统中，由于列车运行速度较快，自然灾害如洪水、滑坡等可能会造成严重的事故，对人们的生命和财产安全构成重大威胁。此外，铁路系统还面临人为或物体入侵等异常情况，这些异常可能对高速列车及其乘客造成严重危害。因此，如何高效、准确地监测这些灾害和异常入侵，成为保障铁路安全的重要课题。本文提出了一种半监督的变检测算法，旨在解决上述问题。该算法通过减少对数据标注的依赖，仅需10%的标注数据即可达到全监督方法的性能水平，从而显著降低人力成本。同时，该算法在实际灾害数据和铁路异常入侵数据的验证中展现出良好的泛化能力，能够有效识别灾害是否发生或是否存在异常物体入侵，为报警系统提供可靠的信息来源。

传统的灾害监测方法多采用监督学习的图像识别技术，通过大量标注数据训练模型以识别未知场景。然而，实际灾害数据往往稀缺，难以构成足够数量的样本，这使得监督学习方法在检测未知数据时效果有限。为此，本文提出了一种基于少量数据的半监督变检测算法，该方法借鉴了遥感领域的变检测技术，能够忽略光照、颜色等干扰因素，专注于发生变化的区域，从而实现更精确的检测。变检测方法相较于传统的物体检测和语义分割方法，其性能往往更为出色，因为它能够更全面地捕捉图像中的变化特征，而不局限于特定的类别识别。

本文提出的半监督变检测方法基于FixMatch算法，并引入了背景一致性正则化损失函数。背景一致性正则化是一种新的技术，它通过预训练的前景-背景分割网络提供语义先验监督，使模型能够学习“背景在时间与空间上应保持一致性，而前景则应具有变化的特征”这一符合人类认知的规律。这一机制可以有效避免将背景区域误判为前景区域，从而提升最终变图的准确性。同时，本文还提出了一种渐进式学习策略，以缓解传统半监督方法中存在的类别不平衡问题。该策略通过在不同训练轮次中逐步调整标注数据与未标注数据的比例，使模型在早期阶段依赖于标注数据快速学习基础特征，而在后期阶段则通过大量未标注数据提升模型的泛化能力。这种方法能够有效避免模型在未标注数据学习过程中因类别分布不均而向错误预测方向偏移的问题。

为了验证所提方法的有效性，本文在多个不同领域的数据集上进行了实验。实验结果表明，该方法不仅在洪水检测等灾害识别任务中表现出色，而且在异常物体入侵检测方面也具有广泛适用性。通过使用不同比例的标注数据进行训练，本文的方法在多种数据集上实现了分类准确率超过90%的优异表现，证明了其在实际场景中的适用性和可靠性。此外，本文还展示了该方法在实际铁路监测场景中的应用，包括从高空视角和摄像头视角获取的图像数据。这些图像能够有效识别灾害发生区域，并结合航空地图进一步定位灾害发生的地理位置。摄像头视角的图像则能够识别如行人、动物等异常入侵对象，确保列车运行的安全性。

在实验过程中，本文采用了PyTorch框架构建模型，并使用SGD优化器进行训练。SGD在全局探索方面具有更强的能力，能够减少对局部密集数据集的依赖，从而更有效地利用样本信息，提升模型在复杂数据分布下的表现。为了进一步提高模型的泛化能力，本文还引入了背景一致性正则化策略，并结合了渐进式学习策略。背景一致性正则化基于DICE损失函数，能够有效处理类别不平衡问题，同时避免传统交叉熵损失在处理不平衡数据时可能出现的梯度不稳定问题。通过引入一个小的扰动项，该策略能够在保持模型训练稳定性的前提下，进一步提升其对变化区域的识别能力。

此外，本文提出的模型在训练过程中具有较高的参数效率。整个模型的参数数量为5478万，且训练后的模型大小仅为209MB，这使得其在实际部署中具备较高的可行性。模型在RTX 4070显卡上的推理速度超过了250帧每秒，能够满足实时监测的需求。在实际测试中，该模型在Flood-CD数据集上实现了92%的分类准确率，在Anomaly-CD数据集上达到了96%的准确率，展现出良好的识别能力。

本文的实验结果表明，所提的半监督变检测方法在多个数据集上均表现出优异的性能。特别是在处理类别不平衡问题时，该方法相较于传统的监督学习和半监督学习方法，具有更高的鲁棒性和准确性。在对比实验中，本文提出的SemiCD-BG算法在多个指标上优于其他半监督算法，如FixMatch和UniMatch。这说明，背景一致性正则化和渐进式学习策略的结合能够有效提升模型在复杂场景下的检测能力。

然而，本文的方法仍存在一些局限性。首先，所使用的预训练前景-背景分割模型是在其他数据集上训练的，与本文所用的Flood-CD数据集存在较大差异，可能导致部分错误标注。其次，生成伪标签的过程较为耗时，需要额外的计算资源，这在实际部署中可能成为一项挑战。最后，本文在Anomaly-CD数据集的实验中主要考虑了光照和入侵物体类型的影响，但未涉及天气因素（如雨雪天气）对检测结果的影响，因此未来的研究可能需要进一步优化模型以应对这些复杂环境条件。

总体而言，本文提出了一种适用于铁路灾害监测和异常入侵检测的半监督变检测方法，该方法通过减少对标注数据的依赖，提升了模型的泛化能力和实际应用价值。结合背景一致性正则化和渐进式学习策略，该方法能够在较少标注数据的情况下，实现与全监督方法相当的检测性能。同时，该方法在多个实际数据集上的实验验证表明，其在不同任务场景下的适应能力较强，能够有效应对复杂环境中的变化检测需求。未来的研究可以进一步优化模型，以提升其在更多实际环境条件下的鲁棒性和准确性，从而更好地服务于铁路安全监测系统。