基于融合对抗网络的方面级情感分类方法

方面级情感分类是一种细粒度的情感分析任务,旨在分类出文本中不同方面的情感。目前,现有方面级情感分类模型存在特征提取层次浅、泛化能力弱等问题。为此,该文提出一种基于融合对抗网络的方面级情感分类模型ASFAN(Aspect-level Sentiment classification model based on Fusion Adversarial Networks)。首先,从数据集中提取文本的方面词、位置、上下文信息表示。其次,将方面词、位置、上下文信息通过BERT编码。最后,通过多头注意力和局部注意力机制提取文本特征,将特征进行融合学习。此外,通过对抗学习算法生成对抗样本,将对抗样本作为一种文本数据增强样本,优化决策边界。实验结果表明,在SemEval 2014的Restaurant、Laptop数据集和ACL-2014的Twitter数据集上,ASFAN的准确率分别达86.54%、79.15%、76.16%,ASFAN对比大多数基线模型性能提升显著。

基于深度学习的变电站开关柜图像增强及状态识别方法

针对变电站机器人巡检时存在开关柜的状态识别精度极易受到环境影响,以及小尺寸状态灯误检率高等问题,提出了一种基于融合生成对抗网络和改进的YOLOX的开关柜状态识别方法。首先,基于融合生成对抗网络进行图像增强,对原图进行色彩校正和色彩增强预处理;其次,构建多损失函数用于特征的提取、融合,并增添纹理提取模块,减少训练中预处理算法造成的伪影噪点和细节模糊;再次,基于改进的YOLOX网络进行开关柜状态识别,在解耦头模块融合DAMM双注意力机制,加强YOLOX网络对信息量更大的分支的关注,丰富开关柜状态的特征信息;最后,优化YOLOX网络结构,用轻量级MobileNetV3网络替换原始主干网络CSPDarknet,并保留Focus层,使网络减少参数量和计算量的同时保持良好的特征提取性能。增强算法能有效校正因强光照而失真的状态灯色彩,还原夜晚拍摄反光区域的信息,提高低对比度图像的质量,增强图像色彩鲜明度,峰值信噪比和结构相似性均有提升,与其他算法相比,所提方法的性能更好。改进后的检测算法平均识别精度可以达到94.1%,图片识别速度为4.6 ms/张,表现出较强的泛化性、鲁棒性、准确性和快速性。试验表明,采用基于深度学习的图像增强和目标检测方法有效解决了复杂环境下高压开关柜的状态识别问题,提高了电力巡检机器人开关柜状态识别的准确率。