RailConNet: Depth-Guided Multi-Task Segmantic Segmentation for Rail Scenes
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Accurate railway scene perception is crucial for safe train operations but is often challenged by motion blur from high-speed movement, degrading segmentation accuracy. This paper presents RailConNet, a multi-task model that combines semantic segmentation and depth estimation to enhance spatial understanding. By leveraging shared depth features, RailConNet improves segmentation performance. To further refine feature extraction, we propose the Cross-Modal Feature Fusion Module (CFM), which selectively integrates RGB-D data at each encoding layer, progressively enriching scene comprehension. Experimental results on the RailSem19 dataset show that RailConNet achieves 72.6% MIoU across three key categories, surpassing state-of-the art methods and demonstrating its effectiveness.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- RailConNet: Depth-Guided Multi-Task Segmantic Segmentation for Rail Scenes
- Date Crossref
- 16/07/2025
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.