面向复杂多样的钢轨场景,本文扩展了最先进的深度学习语义分割框架DeepLab v3+到一个新的轻量级、可伸缩性的贝叶斯版本DeeperLab,实现表面缺陷的概率分割.具体地, Dropout被融入改进的Xception网络,使得从后验分布中生成蒙特卡罗样本;其次,提出多尺度多速率的空洞空间金字塔池化(Atrous spatial pyramid pooling, ASPP)模块,提取任意分辨率下的密集特征图谱;更简单有效的解码器细化目标的边界,计算Softmax概率的均值和方差作为分割预测和不确定性.为解决类别不平衡问题,基于在线前景 –背景挖掘思想,提出损失注意力网络(Loss attention network, LAN)定位缺陷以计算惩罚系数,从而补偿和抑制Dee...