【技术实现步骤摘要】
本专利技术属于计算机视觉与城市轨道交通工程安全技术交叉领域，更具体地，涉及一种面向轨道交通工程视频图像的空域自监督学习方法和系统。
技术介绍
1、在图像分析与处理领域，安全隐患检测等应用场景中，准确提取图像关键特征至关重要。传统图像特征提取方法多依赖大量有标注数据进行监督学习，但在城市轨道交通工程建设领域，获取大规模精准标注数据面临显著挑战。该领域虽可收集大量视频图像数据，但手工标注需大量人工参与，且拍摄环境复杂，图像常存在信息缺失、噪声污染或模糊不清等问题，导致标注难度大、成本高。
2、随着深度学习发展，无监督学习方法兴起，其利用未标注数据让模型自动学习潜在模式与特征。然而现有无监督学习方法处理城市轨道交通工程建设视频图像的复杂场景时效果欠佳。一方面，当图像存在信息缺失、噪声干扰或模糊情况时，现有无监督学习方法难以有效处理，无法准确捕捉关键特征；另一方面，面对多尺度物体并存的场景，如作业人员与起重机等尺寸差异大的物体，现有方法特征提取能力不足，难以满足实际需求。
3、专利技术人在研究城市轨道交通工程建设视频图像...
【技术保护点】
1.一种面向轨道交通工程视频图像的空域自监督学习方法，其特征在于，包括：
2.根据权利要求1所述的一种面向轨道交通工程视频图像的空域自监督学习方法，其特征在于，所述S1中处理步骤具体包括：
3.根据权利要求1所述的一种面向轨道交通工程视频图像的空域自监督学习方法，其特征在于，所述S2中先将图像分块，再以预设步长和窗口大小生成空间缩减窗口的具体步骤：
4.根据权利要求1所述的一种面向轨道交通工程视频图像的空域自监督学习方法，其特征在于，所述S3中退化特征的具体添加方式为：
5.根据权利要求1所述的一种面向轨道交通工程视频图...
【技术特征摘要】
1.一种面向轨道交通工程视频图像的空域自监督学习方法，其特征在于，包括：
2.根据权利要求1所述的一种面向轨道交通工程视频图像的空域自监督学习方法，其特征在于，所述s1中处理步骤具体包括：
3.根据权利要求1所述的一种面向轨道交通工程视频图像的空域自监督学习方法，其特征在于，所述s2中先将图像分块，再以预设步长和窗口大小生成空间缩减窗口的具体步骤：
4.根据权利要求1所述的一种面向轨道交通工程视频图像的空域自监督学习方法，其特征在于，所述s3中退化特征的具体添加方式为：
5.根据权利要求1所述的一种面向轨道交通工程视频图像的空域自监督学习方法，其特征在于，所述s4中图块切分模块、线性嵌入模块、图块合并模块的具体为：<...
【专利技术属性】
技术研发人员：夏秀江，王臣，唐明明，闫海生，王亚利，罗正高，史沛尧，刘淼，孙志伟，祝建勋，张波，
申请(专利权)人：北京城建设计发展集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。