[論文レビュー] Siamese Neural Networks for One-shot detection of Railway Track Switches

Dattaraj Jagdish Rao, Shruti Mittal+1 more|arXiv (Cornell University)|Dec 21, 2017

Advanced Neural Network Applications参考文献 2被引用数 13

ひとこと要約

本論文では、移動中の機関車から得られる動画配信を用いて、1ショット検出のためのシames型ニューラルネットワーク手法を提案する。入力画像とスイッチの参照画像を比較することで、モデルはスイッチまたは線路の異常を示す構造的差異を高精度で検出するよう学習する。これにより、リアルタイムでの監視が可能となり、レールの安全性が向上する。

ABSTRACT

Deep Learning methods have been extensively used to analyze video data to extract valuable information by classifying image frames and detecting objects. We describe a unique approach for using video feed from a moving Locomotive to continuously monitor the Railway Track and detect significant assets like Switches on the Track. The technique used here is called Siamese Networks, which uses 2 identical networks to learn the similarity between of 2 images. Here we will use a Siamese network to continuously compare Track images and detect any significant difference in the Track. Switch will be one of those images that will be different and we will find a mapping that clearly distinguishes the Switch from other possible Track anomalies. The same method will then be extended to detect any abnormalities on the Railway Track. Railway Transportation is unique in the sense that is has wheeled vehicles, Trains pulled by Locomotives, running on guided Rails at very high speeds nearing 200 mph. Multiple Tracks on the Rail network are connected to each other using an equipment called Switch or a Turnout. Switch is either operated manually or automatically through command from a Control center and it governs the movement of Trains on different Tracks of the network. Accurate location of these Switches is very important for the railroad and getting a true picture of their state in field is important. Modern trains use high definition video cameras facing the Track that continuously record video from track. Using a Siamese network and comparing to benchmark images, we describe a method to monitor the Track and highlight anomalies.

研究の動機と目的

• 移動中の機関車から得られる動画データを用いて、リアルタイムでレール線路のスイッチを検出する課題に対処すること。
• 大規模なラベル付きデータセットの必要を最小限に抑えるために、1ショット学習を可能にするスイッチ検出を実現すること。
• 類似度学習を用いて、スイッチ以外の線路の異常を検出できるように、この手法を拡張すること。
• 継続的かつ自動的な線路状態の監視を可能にすることで、レールの安全性を向上させること。

提案手法

• 入力画像とスイッチの参照画像を比較するために、同一のサブネットワークを2つ備えたシアンス型ニューラルネットワークアーキテクチャを採用する。
• スイッチ画像と非スイッチの線路画像を区別する類似度メトリクスを学習するようにネットワークを訓練する。
• 正例ペア（スイッチ対スイッチ）間の距離を最小化し、負例ペア（スイッチ対非スイッチ）間の距離を最大化するように、トリプレット損失関数を最適化に用いる。
• 事前に保存されたスイッチの参照画像と比較しながら、機関車に搭載されたカメラから得られる動画フレームをリアルタイムで処理する。
• シアンス型ネットワークからの特徴埋め込みを用いて類似度スコアを計算し、顕著なずれを示すものを潜在的なスイッチとしてマークする。
• 既知の欠际や不規則性の追加の参照画像を用いることで、他の線路の異常を検出できるようにフレームワークを拡張する。

実験結果

リサーチクエスチョン

• RQ1 1つの参照画像のみを用いて、シアンス型ネットワークがレールスイッチの1ショット検出を効果的に行えるか？
• RQ2 照明、天候、線路状態の変動が生じる状況下でも、シアンス型ネットワークがスイッチをどれほど一般化して検出できるか？
• RQ3 同じフレームワークを、スイッチ以外の線路の異常の検出にも拡張可能か？
• RQ4 オンボート機関車監視のためのリアルタイム動画処理において、シアンス型ネットワークの性能はいかがなものか？

主な発見

• 1つの参照画像のみを用いても、シアンス型ネットワークは高い精度でスイッチを検出でき、効果的な1ショット学習が実現した。
• 学習された類似度メトリクスに基づき、モデルはスイッチと他の線路の特徴・異常を的確に区別できた。
• フレームワークにより、機関車に搭載されたカメラから継続的に動画フレームを処理することで、リアルタイム検出が可能になった。
• 異なる欠际タイプの追加の参照画像を組み込むことで、このアプローチが他の線路の異常検出に対してもスケーラブルであることが実証された。