基于Swin Transformer与块级CBAM增强的小型轨道表面缺陷检测方法

提出了一种利用自动化轨道检测和多任务学习的方法，提高铁路轨道检测的精度。

研究了基于行排列的选择方法，使用轻量卷积神经网络和锚定分类器，实验表明其效率和准确性优于传统方法。

比较了9个深度学习模型在道路表面裂缝检测中的表现，发现基于transformer的模型更易于训练且准确率更高。

提出了一种基于卷积神经网络的预测鉴别器流水线，自动分类损坏的铁路组件，并结合可视化热图进行损坏判定。

提出了NaDiNet分割网络，通过自我注意力模块和双尺度交互块实现精确的缺陷区域分割。

提出了一种可重复使用的基于人工智能的缺陷检测方法，结合集成学习与迁移学习模型，提高分类准确性。

研究了基于Variational Autoencoder的合成图像生成技术，解决铁路缺陷检测中的数据稀缺问题。

提出了一种轻量级多尺度交互网络（MINet），在实时带钢表面缺陷检测中表现出色。

改进型YOLOv5模型在钢表面检测小且复杂的缺陷目标时，表现优于其他模型。

提出YOLO-EA模型，提升小目标识别能力，在高风险铁路施工中展现应用潜力。