基于注意力机制的多尺度缺陷绝缘子检测算法

绝缘子是保障输电线路平稳运行的重要电力部件之一。对于故障区域小、周围所处环境复杂的缺陷绝缘子检测是一项极具挑战性的任务,传统的检测方法存在精度不高、效率低和缺少大型公开数据集的问题。针对以上问题,提出一种基于注意力机制的多尺度缺陷绝缘子检测算法。在YOLOv3算法的基础上,使用K-means++匹配新的锚点坐标,将通道注意力机制SENet结构融入特征提取网络Darknet53中,增加多个检测尺度提升检测精度,并使用数据增强技术扩充缺陷绝缘子数据集。实验结果表明,上述方法在满足实时检测的要求下获得了94.42%的平均准确率和95.74%的召回率。

基于ViLBERT与BiLSTM的图像描述算法

传统图像描述算法存在提取图像特征利用不足、缺少上下文信息学习和训练参数过多的问题,提出基于ViLBERT和双层长短期记忆网络(BiLSTM)结合的图像描述算法.使用ViLBERT作为编码器, ViLBERT模型能将图片特征和描述文本信息通过联合注意力的方式进行结合,输出图像和文本的联合特征向量.解码器使用结合注意力机制的BiLSTM来生成图像描述.该算法在MSCOCO2014数据集进行训练和测试,实验评价标准BLEU-4和BLEU得分分别达到36.9和125.2,优于基于传统图像特征提取结合注意力机制图像描述算法.通过生成文本描述对比可看出,该算法生成的图像描述能够更细致地表述图片信息.

深度神经网络图像描述综述

深度学习的迅速发展使得图像描述效果得到显著提升,针对基于深度神经网络的图像描述方法及其研究现状进行详细综述。图像描述算法结合计算机视觉和自然语言处理的知识,根据图像中检测到的内容自动生成自然语言描述,是场景理解的重要部分。图像描述任务中,一般采用由编码器和解码器组成的基本架构。改进编码器或解码器,应用生成对抗网络、强化学习、无监督学习以及图卷积神经网络等方法能有效提高图像描述算法的性能。对每类方法的代表模型算法的效果以及优缺点进行分析,并介绍适用的公开数据集,在此基础上进行对比实验。对图像描述面临的挑战以及未来工作的发展方向做出展望。