计算机应用研究

作者：李岗威,李志伟,

单位：1.上海工程技术大学电子电气工程学院,上海201620；2.上海科创职业技术学院,上海201620；

关键词：异常分割,无监督学习,认知审查架构,多尺度注意力,无砟轨道,

基金：国家自然科学基金资助项目(62173222)；；

针对开放场景下无砟轨道异常样本难以全部覆盖的问题，提出了一种无须异常样本的无砟轨道表面异常分割方法。该方法结合图像特征分析与无监督学习框架，优化数据处理与特征学习过程，以提升检测精度与鲁棒性。首先，采用高亮特征分块策略将高分辨率图像分割为图像块，在保留结构信息的同时增强异常定位能力；其次，设计认知审查架构（cognitive review architecture，CRA），通过优化学习路径使教师网络的浅层特征，不仅影响学生网络的对应层，还对其后续层的特征学习提供指导，提高表征一致性与判别能力；最后，引入多尺度注意力模块（multi-scale attention module，MSAM），强化学生网络的去噪能力，使其提取的关键信息更接近教师网络的表征。实验结果表明，所提出的模型在构建的无砟轨道数据集上取得了出色的分割精度，图像级AUC（I-AUC）得分为99.72%，像素级平均精度（P-AP）为92.05%。该方法为开放场景下的无砟轨道异常检测提供了高精度、高鲁棒性的解决方案。

来源：2025年第11期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第11期