铁道建筑2023，Vol.63Issue(8) ：145-148.DOI:10.3969/j.issn.1003-1995.2023.08.28

基于联邦学习和深度注意力残差网络的异物侵限辅助判断

Auxiliary Judgment of Foreign Object Intrusion Detection Based on Federated Learning and Deep Attention Residual Network

李清欣 徐贵红 周雯
铁道建筑2023，Vol.63Issue(8) ：145-148.DOI:10.3969/j.issn.1003-1995.2023.08.28
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于联邦学习和深度注意力残差网络的异物侵限辅助判断

Auxiliary Judgment of Foreign Object Intrusion Detection Based on Federated Learning and Deep Attention Residual Network

李清欣 1徐贵红 2周雯2
扫码查看

作者信息

  • 1. 中国铁道科学研究院 研究生部, 北京 100081
  • 2. 中国铁道科学研究院集团有限公司 电子计算技术研究所, 北京 100081
  • 折叠

摘要

针对铁路异物侵限检测数据持有方之间数据不互通,传统机器学习方式数据集缺乏,模型泛化能力弱的问题,提出了一种融合横向联邦学习、深度残差网络和压缩激励网络的异物侵限图像分类辅助判断方法.将压缩激励网络嵌入深度残差网络中,在特征通道上对特征进行压缩和激励,然后重新分配各通道的权重,以增强有用特征通道,提高模型特征提取的准确性;利用多方数据协作训练模型,通过联邦学习技术解决铁路数据应用过程中存在的数据孤岛问题,减少对训练样本数据量的依赖,同时提供隐私保护.经对一铁路局铁路异物侵限监测系统拍摄的图像数据进行测试,所提出的方法能够在保护数据持有方隐私的前提下,整合多方数据协作训练,为铁路数据安全共享提供新思路.

关键词

高速铁路/铁路异物侵限/试验研究/联邦学习/数据孤岛/残差网络/压缩激励网络

Key words

high speed railway/railway foreign object intrusion/experimental research/federated learning/data island/residual network/squeeze and excitation network

引用本文复制引用

基金项目

国家自然科学基金高铁联合基金(U2268202)

出版年

2023
铁道建筑
中国铁道科学研究院

铁道建筑

北大核心
影响因子：0.623
ISSN：1003-1995
参考文献量2
段落导航相关论文