本书为“高速铁路基础研究与技术创新丛书”之分册。本书首次以智能高铁建造、装备、运营三大领域为主线，突出“真实需求、真实数据、真实场景、真实效果”特色，在此基础上系统论述了图像大数据概念以及当前的发展应用情况；针对铁路图像数据的需求进行了剖析；分析了图像大数据分析的基础理论知识；构建了铁路图像大数据分析的总体架构；呈现了当前铁路图像大数据分析领域一些经典案例并展望了铁路图像大数据应用的先进技术。 本书适合从事铁路交通运输信息化、智能化相关从业人员参考，也可作为高等院校相关专业研究生、本科生教材，还可供其他对铁路智能化感兴趣或对图像处理方向感兴趣的读者阅读参考。

第1章 绪论
1.1 图像大数据分析概述
1.1.1 图像大数据分析的概念
1.1.2 图像大数据分析三要素
1.2 图像大数据分析的发展及应用
1.2.1 计算机视觉的发展
1.2.2 图像大数据分析的应用
1.3 铁路图像大数据应用现状分析
1.3.1 国外铁路图像大数据分析应用现状
1.3.2 国内铁路图像大数据分析应用现状
1.3.3 铁路图像大数据应用发展趋势
第2章 铁路图像大数据分析应用需求
2.1 铁路图像数据分析应用现状
2.1.1 铁路图像数据来源
2.1.2 铁路图像视频分析难点
2.1.3 铁路典型应用领域图像数据的分析应用需求
2.2 铁路智能建造领域图像应用场景分析
2.2.1 安全帽、工作服穿戴智能检测
2.2.2 异常行为智能检测
2.2.3 施工进度图像智能分析
2.2.4 隐蔽工程图像分析
2.3 智能装备领域图像应用场景
2.3.1 接触网零部件故障检测
2.3.2 动车组车身、车底缺陷检测
2.3.3 轨旁设备外观监测
2.4 智能运营板块图像大数据应用场景分析
2.4.1 旅客无感进站
2.4.2 安检仪智能识别
2.4.3 站内人群密度估计
2.4.4 列车司机行为识别
2.4.5 旅客异常行为监测
第3章 图像大数据分析基础知识
3.1 图像大数据分析方法论
3.1.1 监督学习
3.1.2 无监督学习
3.1.3 自监督学习
3.1.4 图像分析模型评估方法
3.2 图像分析处理数学基础
3.2.1 图像的基本表示
3.2.2 张量基本用法
3.2.3 导数与梯度
3.3 深度学习神经网络基本组成
3.3.1 卷积层
3.3.2 空洞卷积
3.3.3 反卷积
3.3.4 可变卷积
3.3.5 激活函数层
3.3.6 池化层
3.3.7 Dropout层
3.3.8 批归一化
3.3.9 全连接层
3.4 图像深度学习网络模型
3.4.1 AlexNet
3.4.2 VGG
3.4.3 ResNet
3.4.4 FPN
3.4.5 Faster R-CNN
3.4.6 YOLO
3.5 深度学习图像处理环境介绍
3.5.1 硬件环境
3.5.2 深度学习框架
第4章 基于深度学习的铁路图像大数据分析技术
4.1 铁路图像数据集构建
4.1.1 图像人工标注
4.1.2 图像自动标注
4.2 基础图像处理技术
4.2.1 图像的基本处理
4.2.2 图像空间滤波
4.2.3 图像分割处理
4.2.4 图像特征提取
4.2.5 铁路图像雾霾图像复原
4.3 图像处理技术
4.3.1 图像目标分类技术
4.3.2 目标检测技术
4.3.3 语义分割技术
4.3.4 图像异常检测技术
4.4 算法部署
4.4.1 模型管理及算力资源调度方案
4.4.2 边缘端模型轻量化方法
4.4.3 深度学习模型部署方案
第5章 铁路图像大数据分析体系架构设计
5.1 铁路图像大数据分析技术背景
5.1.1 铁路既有视频监控系统存在的主要问题
5.1.2 铁路图像大数据分析云边协同技术优势
5.2 铁路图像大数据分析总体技术框架
5.2.1 铁路图像大数据分析总体架构
5.2.2 铁路图像大数据分析功能架构
5.2.3 铁路图像大数据分析数据架构
5.3 铁路图像大数据分析云边协同架构
5.3.1 云边协同体系架构设计
5.3.2 铁路图像大数据分析云边协同部署架构
第6章 铁路图像大数据典型应用
6.1 铁路图像场景分类可视化
6.1.1 铁路图像场景分类背景
6.1.2 模型及数据集构建
6.1.3 实验分析
6.2 基于图像的接触网螺栓异常检测
6.2.1 接触网安全检测
6.2.2 接触网螺栓异常检测模型
6.2.3 实验分析
6.3 高铁车站视频图像关键场景语义分割
6.3.1 场景描述
6.3.2 高铁车站视频图像关键场景语义分割模型
6.3.3 实验分析
6.4 动车组关键零部件缺陷检测
6.4.1 动车组零部件检测场景描述
6.4.2 基于Faster R-CNN网络的零部件缺陷检测
6.4.3 实验分析
6.5 铁路车站人群密度估计
6.5.1 车站人群密度估计场景
6.5.2 铁路车站自适应场景人群密度估计
6.5.3 实验分析
6.6 旅客异常行为识别
6.6.1 旅客车站异常行为场景分析
6.6.2 基于Slowfast改进的旅客异常行为识别模型
6.6.3 实验分析
第7章 铁路图像大数据应用新技术展望
7.1 基于迁移学习的图像分析处理技术
7.1.1 特征迁移
7.1.2 模型迁移
7.1.3 样本迁移
7.1.4 图像元学习、小样本学习、零样本学习
7.2 自动机器学习
7.2.1 自动超参数优化（HPO）
7.2.2 自动网络架构搜索
7.3 图像的模型压缩优化
7.3.1 模型剪枝
7.3.2 权重量化
7.3.3 其他模型压缩优化算法
7.4 多模态数据融合处理技术
7.4.1 多模态融合架构
7.4.2 多模态融合方法
7.4.3 模态对齐方法
7.5 其他