用于铁路入侵检测中异常数据分割的空间感知能量学习方法

《Scientific Reports》：Spatial-aware energy learning for out-of-distribution segmentation in railway intrusion detection

　　

摘要

铁路入侵检测对于保障铁路运营的安全性与可靠性至关重要。基于深度学习的铁路入侵检测方法在处理未知外来物体时存在困难，而现有的像素级异常检测方法则缺乏对铁路场景的空间感知能力。为解决这一难题，我们提出了一种基于不确定性驱动的空间感知能量学习方法用于铁路入侵检测。该方法采用空间感知能量学习策略，结合距离变换和高斯平滑加权矩阵，优先处理位于正常分布像素边界附近的异常像素。此外，我们还设计了纹理表示模块，以提高模型捕捉异常区域边缘和纹理细节的能力。我们在公共数据集以及自行构建的数据集上对该方法进行了测试。在各类数据集上的实验表明，该方法的性能显著优于现有的最先进基准方法。在自定义的异常检测测试集上，其FPR95值降低了10.68%，AuPRC值提升了5.40%，AuROC值则上升了1.73%。这项工作为复杂铁路场景中的未知入侵检测提供了一种高效实用的异常检测解决方案，在检测性能与计算效率之间取得了良好的平衡，非常适合实际铁路应用。