在当代铁路运输中，轨道异常物体的检测是保障运输安全的关键任务之一。随着机器学习技术的发展，越来越多的基于监督式学习的检测方法被应用到铁路维护的场景中。然而，监督式学习方法主要依赖于标注良好的训练数据，对于那些未见过的或未知的异常类别往往无法准确识别。在铁路轨道的异常物体检测问题上，这就意味着如果不能获得含有异物的样本数据，传统的监督式方法则难以发挥作用。
针对这一问题，刘宇鸣和黄雅平两位研究者提出了一个基于相似性度量学习的无监督方法，用于检测轨道上的异常物体。该方法不依赖于异常物体的样本进行训练，而是利用正常样本数据训练一个深度模型，来学习轨道图像中正常区域与其对称区域之间的相似性。由于轨道图像的特殊性，正常物体往往沿着钢轨中心线呈对称分布，反复成对出现，而异常物体出现频率低，并且与对应对称区域的差异较大。基于这些观察，研究者设计了度量学习机制，通过训练深度学习模型来区分正常区域与异常区域。
在具体实施过程中，研究者利用正常样本数据训练了一个基于相似性度量学习的深度模型。该模型学习的目标是识别轨道图像中正常区域与其对称区域的相似性。在测试阶段，对于待检测图像中的每个候选区域，模型会计算它与相应对称区域之间的相似性分数。若一个候选区域与对应的对称区域存在较大差异，则认为该候选区域可能是异常物体，并进行标记。
实验结果表明，该方法能够在无需异常物体数据的情况下检测到轨道异物，与传统监督式方法相比，这种方法在检测异物方面取得了更优的效果。研究者指出，该方法不需要事先收集异物样本，这对于铁路轨道异常物体检测来说具有重要的实用价值和推广潜力。
文章中还介绍了刘宇鸣和黄雅平两位作者的背景信息。刘宇鸣是一位硕士研究生，主要研究方向为计算机视觉，并提供了他的联系邮箱。黄雅平则是一名教授，她的研究方向包括计算机视觉和机器学习等多个领域，并提供了她的联系邮箱。这些信息为后续的学术交流和合作提供了便利。
研究的关键词包括“轨道异物”、“无监督学习”、“目标检测”以及“样本挖掘”，这些词语概括了研究的主要内容与研究方向。中图分类号为TP391，这表示该研究属于计算机科学与技术领域，主要涉及模式识别与智能系统。
为了进一步推动该领域的发展，作者还计划在接下来的研究中，对所提方法进行改进，以提高其在真实环境中的鲁棒性和检测精度。同时，还将探索该技术在其他场景中检测异常物体的潜力，例如城市交通监控或者工业生产中的异物检测。通过不断的研究与实验，以期能够更好地服务于社会和工业界，减少由于轨道异物造成的事故和损失。
