我正在提交一篇论文，这篇论文提交时需要填写文章的推荐理由，请根据我的文章内容，生成3-4份推荐理由，...

我正在提交一篇论文，这篇论文提交时需要填写文章的推荐理由，请根据我的文章内容，生成3-4份推荐理由，文章内容如下：悬挂式单轨列车凭借其独特的结构特点，尤其是在中小城市、山地城市、城际交通及城市景区观光等特定应用场景中展现出显著的优势，发展和建设单轨交通系统是改善我国城市交通拥堵问题的一条有效途径。由于其运行环境复杂多变，对轨道异物侵入等异常事件进行实时、高效和高适应性的检测至关重要[1-2]。尽管计算机视觉通过检测相机收集列车移动方向的图像为轨道异物检测提供智能化的检测方案[3]，但由于轨道异物的多样性，包括种类、形状、颜色和尺寸的显著差异，尤其是未标注类别异物的存在，对现有基于监督学习的目标检测方法提出了严峻的挑战。因此，无监督目标检测作为一种无需人工标注大量数据的可行方法，在解决上述问题方面展现出日益增长的研究价值和应用潜力。
近年来，铁路领域的异物检测研究主要集中在有监督深度学习方法上。YOLO系列变体[4-9]等主流模型已被广泛应用于障碍物检测、轨道组件识别和异物侵入检测等任务。然而，这些方法高度依赖大量标注数据，而铁路场景的特殊性导致标注数据集往往有限。相比之下，基于深度学习的无监督异物检测技术为铁路基础设施的智能监控提供了新的思路。目前的研究主要集中在自动检测轨道结构缺陷，如轨道裂纹、钢轨缺陷和道砟退化等，这些方法通常利用生成对抗网络[10]、特征嵌入[11]等技术来建模正常图像的特征分布，并通过偏差检测异常。然而，针对轨道上异物的无监督检测研究仍然相对匮乏，这与轨道结构缺陷检测有显著不同。轨道异物具有多样性和不可预测性，无法依赖预先标注的异物样本进行有监督学习。
在无监督目标检测领域，基于图像重建的生成式方法取得了显著进展[10]，然而，这类方法依赖于对无目标图像的精确重建，但在实际应用中，复杂场景下的图像重建往往难以达到理想效果，可能导致对包含目标的区域误判为无目标，或产生虚假的检测结果。这种对重建质量的过度依赖限制了其在复杂场景下的鲁棒性。为了克服图像重建方法的局限性，基于特征嵌入的方法[11-14]受到大量关注，这类方法不再直接比较输入图像与重建图像的像素差异，而是将图像映射到高维特征空间，通过分析特征的分布来判断图像中是否包含目标。通过将目标检测问题转化为特征空间的密度估计或距离度量问题，这类方法在一定程度上避免了对图像重建的依赖，提高了对复杂场景的适应能力。作为一种重要的特征嵌入方法，归一化流模型[15-18]也吸引了广泛的研究兴趣。它通过一系列可逆变换将数据映射到高斯分布，从而实现概率密度的精确估计。Rudolph等[15]首次将归一化流引入目标检测领域，但其采用的一维流结构导致了空间信息的损失。为了缓解这一问题，Gudovskiy等[16]以及Rudolph等[17]尝试通过多尺度特征进行改进。Yu等[18]进一步探索了二维卷积归一化流，提出了Fastflow。然而，上述方法在处理复杂背景、小目标异物以及需要全局上下文信息的铁路场景时，仍然存在一定的局限性。
鉴于现有无监督目标检测方法在处理铁路场景中的复杂性、小目标异物以及对全局上下文信息依赖等方面的不足，本文提出了一种面向悬挂式单轨系统无监督异物检测的双路径多尺度特征融合网络（DPMF-Flow）。该网络结合了跨尺度特征提取模块、双路径融合流模块和目标分割定位模块，旨在强化特征提取和融合、优化概率密度估计以及提升定位精度，从而实现高效、准确的异物检测。
1 无监督异物检测方法
1.1 整体结构
DPMF-Flow是一种基于双路径多尺度特征融合流的方法。其整体架构如图1所示。主要由跨尺度特征提取模块、双路径融合流模块和目标分割定位模块构成。在悬挂式单轨列车运行过程中，算法接收来自工业相机采集的列车前向运行环境图像数据，并输出检测到的异物位置和大小等信息。首先跨尺度特征提取模块采取双分支并行提取多尺度特征，这两个分支的输出通过特征融合模块进行自适应动态加权融合生成多尺度的融合特征；然后，多尺度融合特征通过双路径融合流模块利用局部和全局两个路径流结构进行概率密度估计，将其转换为隐变量；最后，目标分割定位模块通过整合双路径特征，对隐变量进行空间邻域最大池化操作后，生成高精度的像素级目标定位热图，将异物的大小和位置传输给列车，实现列车对未知异物的检测。