变电站设备种类繁多、缺陷类型复杂、特征差异大,传统的基于深度学习的缺陷图像检测模型难以同时有效处理不同设备的多种缺陷。为此,提出了一种基于语义信息距离解耦的缺陷图像检测模型(sematic-distance based decoupling detection mo...变电站设备种类繁多、缺陷类型复杂、特征差异大,传统的基于深度学习的缺陷图像检测模型难以同时有效处理不同设备的多种缺陷。为此,提出了一种基于语义信息距离解耦的缺陷图像检测模型(sematic-distance based decoupling detection model,SDB-DDM)。首先对缺陷类别进行语义信息聚簇,构建解耦式网络结构,然后对网络输出进行加权锚框融合,并在损失函数中加入局部预测损失以提升预测能力,同时提出解耦式非极大值抑制策略以加快模型推理速度。该模型可根据缺陷类别进行自适应调整,以适用变电运维多类别缺陷图像检测的应用场景。实验结果显示,该模型的平均精度均值达到了69.68%。同平台下相较于目前性能最佳的目标检测模型(YOLOX),精度提升了1.36个百分点,参数量下降了5%,推理速度提升了34%。展开更多
把文本流中的热点区分为局部热点和全局热点,分析了二者的相关性,并将Kolmogorov复杂度应用于多文本流中的热点挖掘.首先,定义了基于Kolmogorov复杂度的冗余信息的概念,并论证了文本流存在局部热点的必要条件是冗余信息超过某个阈值;其...把文本流中的热点区分为局部热点和全局热点,分析了二者的相关性,并将Kolmogorov复杂度应用于多文本流中的热点挖掘.首先,定义了基于Kolmogorov复杂度的冗余信息的概念,并论证了文本流存在局部热点的必要条件是冗余信息超过某个阈值;其次,基于条件Kolmogorov复杂度提出了一个相似性度量指标——流信息距离(stream information distance,简称SID),以衡量不同文本流之间的相似度;并借鉴计算生物学领域中的种系发生树的思想,提出了一种基于层次聚类的多文本流全局热点挖掘启发式算法.在合成和真实数据集的实验,验证了算法的收敛性、有效性和规模可伸缩性.展开更多
文摘变电站设备种类繁多、缺陷类型复杂、特征差异大,传统的基于深度学习的缺陷图像检测模型难以同时有效处理不同设备的多种缺陷。为此,提出了一种基于语义信息距离解耦的缺陷图像检测模型(sematic-distance based decoupling detection model,SDB-DDM)。首先对缺陷类别进行语义信息聚簇,构建解耦式网络结构,然后对网络输出进行加权锚框融合,并在损失函数中加入局部预测损失以提升预测能力,同时提出解耦式非极大值抑制策略以加快模型推理速度。该模型可根据缺陷类别进行自适应调整,以适用变电运维多类别缺陷图像检测的应用场景。实验结果显示,该模型的平均精度均值达到了69.68%。同平台下相较于目前性能最佳的目标检测模型(YOLOX),精度提升了1.36个百分点,参数量下降了5%,推理速度提升了34%。
文摘把文本流中的热点区分为局部热点和全局热点,分析了二者的相关性,并将Kolmogorov复杂度应用于多文本流中的热点挖掘.首先,定义了基于Kolmogorov复杂度的冗余信息的概念,并论证了文本流存在局部热点的必要条件是冗余信息超过某个阈值;其次,基于条件Kolmogorov复杂度提出了一个相似性度量指标——流信息距离(stream information distance,简称SID),以衡量不同文本流之间的相似度;并借鉴计算生物学领域中的种系发生树的思想,提出了一种基于层次聚类的多文本流全局热点挖掘启发式算法.在合成和真实数据集的实验,验证了算法的收敛性、有效性和规模可伸缩性.