针对轨枕挡肩裂纹图像精细化分类问题,提出了改进双线性卷积神经网络(B-CNN)模型。该模型先通过全局平均池化链接图像特征中的全局信息以捕捉细微裂纹宽度特征;再通过不同层次特征融合增强特征表达能力,获得有效宽度特征以实现细粒度分类。实验结果表明:该模型与B-CNN模型相比,分类准确率提升了2个百分点,在假阴性率方面,正常类别降低了2.3个百分点,明显裂纹类别降低了4.55个百分点;与基线VGG-D(Visual Geometry Group Network-D)模型相比,分类准确率提升6.11个百分点,在假阴性率方面,正常类别降低了7.39个百分点,明显裂纹类别降低了8.39个百分点,且参数量仅为原参数量的18.51%,特征提取速度提升了45.31%,说明该模型能够满足快速、准确对双块式轨枕挡肩裂纹图像分类的工程需求。

当前的一阶段回归网络可以通过多分支响应图的融合获得多级信息。然而,现有算法的响应图融合方法主要是基于简单的逐元素相加或相乘运算。基于此,提出一种新的跟踪模型,该模型集成了基于双线性卷积神经网络的新型响应图融合方法,可以获得响应图的位置关联和信息交互,利于更准确地跟踪目标物体。基于OTB2013基准数据库对本文算法进行测试,结果表明,与一流的跟踪算法相比,本文算法已经取得了比较有竞争力的结果。