基于跨域少样本学习的电网作业违章动作分类

为了实现电网作业智能监控中的违章动作分类,以提高电力系统运维的效率和安全性,减少对样本标注的依赖,该文提出了一种基于跨域少样本学习的电网作业违章动作分类方法。该方法设计了一种创新的跨域对齐机制,通过构建域间生成机制和域内扩展机制生成跨域辅助数据集和目标域扩展数据集,帮助分类模型更好地理解和适应不同域之间的特征变化,以及增强模型在目标域中的不变性学习能力,从而提高在电网作业场景中不同客观因素下违章动作分类的准确性和效率。实验结果表明,提出的方法有效地降低了对大规模标注数据的依赖性,通过跨域少样本学习方法,将未知的无标注样本数据输入分类模型,实现了对电网作业场景中违章动作的高效准确分类,展现出在实际电网运维中的广泛应用前景。

跨域图像空间数据少样本学习研究

跨域图像空间数据少样本学习(Few-Shot Learning, FSL)是近年来机器学习研究领域的热点,旨在利用少量的有标签图像空间源域数据训练一个可靠的模型对分布差异大的图像目标域数据进行分类。概述了近年来主要的跨域图像空间数据FSL模型,根据模型解决问题的主要思想,将其分类为数据引入法、特征增强法、参数控制法以及混合法。将数据引入法细分为基于单源域数据、基于多源域数据和基于目标域数据;将特征增强法细分为特征转换和特征融合;将混合法细分为不同方法的结合使用和不同类型损失函数的结合使用,并总结了不同方法的原理、优点与不足。对当前跨域图像空间FSL常用的数据集、基准进行了详细介绍,在主流基准上对经典模型的实验结果进行对比与分析。对当前跨域图像空间数据FSL面临的挑战进行总结,指出未来可能的发展方向。