論文の概要: Multimodal Learning for Arcing Detection in Pantograph-Catenary Systems

• arxiv url: http://arxiv.org/abs/2602.08792v1
• Date: Mon, 09 Feb 2026 15:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.324305
• Title: Multimodal Learning for Arcing Detection in Pantograph-Catenary Systems
• Title（参考訳）: パンタグラフ・カテナリーシステムにおけるアーク検出のためのマルチモーダル学習
• Authors: Hao Dong, Eleni Chatzi, Olga Fink,
• Abstract要約: パンタグラフ・カテゴリ・インタフェースのアークは、電化鉄道における電力供給に重大なリスクをもたらす。 本稿では,高分解能画像データと力量測定を組み合わせることで,アーク現象をより正確に,より堅牢に検出するフレームワークを提案する。 我々のフレームワークはベースラインアプローチよりも優れており、ドメインシフト下であっても実際のアーク発生イベントに対する感度が向上している。
• 参考スコア（独自算出の注目度）: 23.447865285347504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The pantograph-catenary interface is essential for ensuring uninterrupted and reliable power delivery in electrified rail systems. However, electrical arcing at this interface poses serious risks, including accelerated wear of contact components, degraded system performance, and potential service disruptions. Detecting arcing events at the pantograph-catenary interface is challenging due to their transient nature, noisy operating environment, data scarcity, and the difficulty of distinguishing arcs from other similar transient phenomena. To address these challenges, we propose a novel multimodal framework that combines high-resolution image data with force measurements to more accurately and robustly detect arcing events. First, we construct two arcing detection datasets comprising synchronized visual and force measurements. One dataset is built from data provided by the Swiss Federal Railways (SBB), and the other is derived from publicly available videos of arcing events in different railway systems and synthetic force data that mimic the characteristics observed in the real dataset. Leveraging these datasets, we propose MultiDeepSAD, an extension of the DeepSAD algorithm for multiple modalities with a new loss formulation. Additionally, we introduce tailored pseudo-anomaly generation techniques specific to each data type, such as synthetic arc-like artifacts in images and simulated force irregularities, to augment training data and improve the discriminative ability of the model. Through extensive experiments and ablation studies, we demonstrate that our framework significantly outperforms baseline approaches, exhibiting enhanced sensitivity to real arcing events even under domain shifts and limited availability of real arcing observations.
• Abstract（参考訳）: パンタグラフ・カテナリーインターフェースは、電化鉄道における未断かつ信頼性の高い電力供給を保証するために不可欠である。 しかし、この界面での電気アークは、接触部品の摩耗の加速、システム性能の劣化、潜在的なサービス破壊などの重大なリスクを引き起こす。 パンタグラフ・カテナリー界面でのアーク検出は、その過渡的な性質、ノイズの多い動作環境、データ不足、および他の同様の過渡現象とアークを区別することの難しさにより困難である。 これらの課題に対処するために,高解像度画像データと力量測定を組み合わせた新しいマルチモーダル・フレームワークを提案する。 まず、同期された視覚と力の測定を含む2つのアーク検出データセットを構築する。 1つのデータセットはスイス連邦鉄道(SBB)が提供するデータから構築され、もう1つのデータセットは、異なる鉄道システムにおけるアーク現象の公開ビデオと、実際のデータセットで観測された特徴を模倣する合成力データから導かれる。 これらのデータセットを活用することで、新たな損失定式化を施したDeepSADアルゴリズムの拡張であるMultiDeepSADを提案する。 さらに,画像中の合成アーク状アーティファクトや模擬力の不規則など,各データタイプ固有の擬似アノマリー生成技術を導入し,トレーニングデータを強化し,モデルの識別能力を向上させる。 広範な実験とアブレーション研究を通じて,本フレームワークは,ドメインシフト下においても実際のアーク現象に対する感度が向上し,実際のアーク観測の可用性が制限されていることを示し,ベースラインアプローチを著しく上回ることを示した。

関連論文リスト

• Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
  UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。 本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
  論文  参考訳（メタデータ） (2025-10-27T02:08:08Z)
• FSMODNet: A Closer Look at Few-Shot Detection in Multispectral Data [7.459632891054827]
  FSMOD (Few-shot Multispectral Object Detection) は、最小限のデータで可視・熱モードで物体を検出するという課題に対処する。 我々は,限定ラベルでも検出性能を向上させるために,クロスモーダル機能統合を利用するFSMODNetというフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-09-25T08:45:05Z)
• SkillMimic-V2: Learning Robust and Generalizable Interaction Skills from Sparse and Noisy Demonstrations [68.9300049150948]
  インタラクション実証(Reinforcement Demonstration, RLID)からの強化学習における根本的な課題に対処する。 既存のデータ収集アプローチはスパース、非接続、ノイズのトラジェクトリを生成し、スキルのバリエーションとトランジションの完全なスペクトルをキャプチャできない。 本稿では,実証技術間の潜在的な遷移を検出するStitched Trajectory Graph (STG) と,実証地区内の任意の状態に対するユニークな接続を確立するState Transition Field (STF) という2つのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2025-05-04T13:00:29Z)
• Scalable Temporal Anomaly Causality Discovery in Large Systems: Achieving Computational Efficiency with Binary Anomaly Flag Data [0.0]
  本研究は異常因果発見法(AnomalyCD)を提案する。 バイナリフラグデータセットから因果グラフを生成する際の精度と計算上の課題に対処する。 その結果,計算オーバーヘッドの大幅な低減と時間因果発見の精度の適度な向上が示された。
  論文  参考訳（メタデータ） (2024-12-16T14:11:28Z)
• Leveraging Mixture of Experts for Improved Speech Deepfake Detection [53.69740463004446]
  スピーチのディープフェイクは、個人のセキュリティとコンテンツの信頼性に重大な脅威をもたらす。 本研究では,Mixture of Expertsアーキテクチャを用いた音声深度検出性能の向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-24T13:24:03Z)
• DailyDVS-200: A Comprehensive Benchmark Dataset for Event-Based Action Recognition [51.96660522869841]
  DailyDVS-200は、イベントベースのアクション認識コミュニティに適したベンチマークデータセットである。 実世界のシナリオで200のアクションカテゴリをカバーし、47人の参加者によって記録され、22,000以上のイベントシーケンスで構成されている。 DailyDVS-200には14の属性がアノテートされており、記録されたアクションの詳細なキャラクタリゼーションが保証されている。
  論文  参考訳（メタデータ） (2024-07-06T15:25:10Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Federated Variational Learning for Anomaly Detection in Multivariate Time Series [13.328883578980237]
  本稿では,非教師付き時系列異常検出フレームワークを提案する。 我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。 3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
  論文  参考訳（メタデータ） (2021-08-18T22:23:15Z)
• Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning [3.0100975935933567]
  本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。 これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。 提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2020-11-12T10:15:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。