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

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

所属期刊栏目：63

分类号：U238;TP181(特种铁路)

资助基金：国家自然科学基金U2268202

在线出版日期：2023-10-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：145-148