典型文献
基于元学习的小样本铁路入侵检测研究
文献摘要：
基于监控视频的入侵检测是保障铁路安全运营,人工智能技术赋能智慧铁路的一项重要业务.然而,传统深度学习模型依赖海量训练数据,实际铁路场景中面临场景差异大、侵限样本稀缺等问题,使得传统深度学习模型在铁路场景中迁移难、过拟合,无法实现高识别准确率.本文提出一种基于MAML元学习算法的铁路入侵检测方案;设计一个轻量级的深度神经网络,并在国产飞桨深度学习平台实现.最终,在目标监控场景下,利用本文所提模型,仅经过少量标注数据快速微调训练,可达到82.4％的检测准确率.
文献关键词：
铁路入侵检测;小样本学习;元学习;视频监控;飞桨
中图分类号：
作者姓名：
陈为;郭疆远;韩晓极;宫啸;钟章队
作者机构：
北京交通大学宽带移动信息通信铁路行业重点实验室,北京100044;北京交通大学轨道交通控制与安全国家重点实验室,北京100044;北京交通大学北京市高速铁路宽带移动通信工程技术研究中心,北京100044;中煤科工集团沈阳研究院有限公司,辽宁沈阳133122
文献出处：
引用格式：
[1]陈为;郭疆远;韩晓极;宫啸;钟章队-.基于元学习的小样本铁路入侵检测研究)[J].铁道技术标准（中英文）,2022(08):1-6
A类：
铁路入侵检测
B类：
元学习,监控视频,铁路安全,安全运营,智慧铁路,深度学习模型,训练数据,临场,侵限,稀缺,过拟合,识别准确率,MAML,检测方案,轻量级,深度神经网络,飞桨,深度学习平台,微调训练,检测准确率,小样本学习,视频监控
AB值：
0.357778
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
