CN115293276A - 一种电网设备缺陷识别方法、装置、电子设备和存储介质 - Google Patents
一种电网设备缺陷识别方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115293276A CN115293276A CN202210974585.1A CN202210974585A CN115293276A CN 115293276 A CN115293276 A CN 115293276A CN 202210974585 A CN202210974585 A CN 202210974585A CN 115293276 A CN115293276 A CN 115293276A
- Authority
- CN
- China
- Prior art keywords
- model
- pseudo
- teacher
- teacher model
- student
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000007547 defect Effects 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 43
- 238000004891 communication Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 abstract description 6
- 238000010168 coupling process Methods 0.000 abstract description 6
- 238000005859 coupling reaction Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 10
- 125000004122 cyclic group Chemical group 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供了一种电网设备缺陷识别方法、装置、电子设备和存储介质,该方法包括:初始化两个学生模型和两个老师模型;根据第一老师模型生成第一伪标签数据;根据第一伪标签数据和有标签数据对第二学生模型进行训练;将训练后的第二学生模型中的参数更新到第二老师模型中;根据第二老师模型生成第二伪标签数据;根据第二伪标签数据和有标签数据对第一学生模型进行训练;将训练后的第一学生模型中的参数更新到第一老师模型中;循环伪标签数据生成、训练以及参数更新过程,输出循环后的老师模型;根据循环后的老师模型对电网设备缺陷进行识别。通过本申请,模型之间交叉生成伪标签,解决了学生模型与老师模型之间耦合度过高的问题。
Description
技术领域
本申请涉及计算机视觉领域,尤其涉及一种电网设备缺陷识别方法、装置、电子设备和存储介质。
背景技术
使用机器学习对电网设备缺陷进行识别能够避免消耗大量的人力并且更加智能和高效。目前主流的半监督目标检测方法是基于伪标签的,它利用带标签数据和无标签数据联合训练检测器。基于伪标签的模型一般由老师模型和学生模型两个部分组成,老师模型生成伪标签来训练学生模型,学生模型将学到的知识更新给老师模型。然而,由于老师模型是利用指数滑动平均(EMA)从学生模型那里更新知识,所以老师模型与学生模型之间是紧密耦合的。此外,由于目标检测数据集中每个类别的样本数量是不同的,老师模型倾向于给一张图像打上占主导地位类别的伪标签,导致学生模型偏差,这些偏差最终被老师模型所积累,使错误不可逆转,最终导致确认偏差。
因此,相关技术中存在学生模型与老师模型之间耦合度过高以及老师模型从学生模型中积累的预测偏差进一步累积到学生模型上的问题。
发明内容
本申请提供了一种电网设备缺陷识别方法、装置、电子设备和存储介质,以至少解决相关技术中存在学生模型与老师模型之间耦合度过高的问题。
根据本申请实施例的一个方面,提供了一种电网设备缺陷识别方法,包括:初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型;根据第一老师模型生成第一伪标签数据;根据所述第一伪标签数据和有标签数据对第二学生模型进行训练;将训练后的第二学生模型中的参数更新到第二老师模型中;根据所述第二老师模型生成第二伪标签数据;根据所述第二伪标签数据和有标签数据对第一学生模型进行训练;将训练后的第一学生模型中的参数更新到所述第一老师模型中;循环伪标签数据生成、训练以及参数更新过程,输出循环后的第一老师模型和第二老师模型;根据所述循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别。
可选地,该方法还包括:获取第一老师模型生成的第一伪标签数据和第二老师模型生成的第二伪标签数据;根据所述第一伪标签数据中的分类分布和所述第二伪标签数据中的分类分布确定一致性分数,其中,所述一致性分数用于表示所述第一老师模型和所述第二老师模型对同一个伪检测框的预测结果的一致程度;根据所述一致性分数和分类损失生成无标签数据的损失函数;在第一学生模型和第二学生模型训练过程中根据所述无标签数据的损失函数更新所述第一学生模型或第二学生模型的参数。
可选地,所述根据所述第一伪标签数据中的分类分布和所述第二伪标签数据中的分类分布确定一致性分数包括:确定所述第一伪标签数据中的分类分布和所述第二伪标签数据中的分类分布差值的曼哈顿距离;根据所述差值的曼哈顿距离和激活函数确定所述一致性分数。
可选地,所述根据所述一致性分数和分类损失生成无标签数据的损失函数包括:获取伪前景框特征、伪背景框特征、伪前景框分类标签、伪背景框分类标签、前景框数量和背景框数量;根据所述伪前景框特征和所述伪前景框分类标签确定伪前景框的分类损失,根据所述伪背景框特征和所述伪背景框分类标签确定伪背景框的分类损失,其中,所述分类损失根据交叉熵损失确定;根据所述前景框数量、所述背景框数量、采用一致性分数对伪前景框的分类损失重加权后的分类损失和所述伪背景框的分类损失生成无标签数据的损失函数。
可选地,所述方法还包括:生成有标签数据的损失函数,其中,所述有标签数据的损失函数包括有标签数据的分类损失和有标签数据的回归损失,用于在第一学生模型或第二学生模型训练过程中更新参数。
可选地,所述根据所述循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别包括:根据所述循环后的第一老师模型或第二老师模型对电网设备缺陷进行识别,或者根据所述循环后的第一老师模型对电网设备缺陷进行识别,得到第一识别结果;根据所述循环后的第二老师模型对电网设备缺陷进行识别,得到第二识别结果;根据所述第一识别结果和所述第二识别结果进行加权融合,得到缺陷识别结果。
可选地,所述初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型包括:根据不同的参数随机初始化第一学生模型和第二学生模型;根据有标签数据对所述第一学生模型和所述第二学生模型进行训练;采用指数滑动平均算法将训练后的第一学生模型中的参数更新到第一老师模型中,训练后的第二学生模型中的参数更新到第二老师模型中。
根据本申请实施例的另一个方面,还提供了一种电网设备缺陷识别装置,该装置包括:初始化模块,用于初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型;第一生成模块,用于根据第一老师模型生成第一伪标签数据;第一训练模块,用于根据所述第一伪标签数据和有标签数据对第二学生模型进行训练;第一更新模块,用于将训练后的第二学生模型中的参数更新到第二老师模型中;第二生成模块,用于根据所述第二老师模型生成第二伪标签数据;第二训练模块,用于根据所述第二伪标签数据和有标签数据对第一学生模型进行训练;第二更新模块,用于将训练后的第一学生模型中的参数更新到所述第一老师模型中;循环模块,用于循环伪标签数据生成、训练以及参数更新过程,输出循环后的第一老师模型和第二老师模型;识别模块,用于根据所述循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别。
可选地,该装置还包括:获取模块,用于获取第一老师模型生成的第一伪标签数据和第二老师模型生成的第二伪标签数据;确定模块,用于根据所述第一伪标签数据中的分类分布和所述第二伪标签数据中的分类分布确定一致性分数,其中,所述一致性分数用于表示所述第一老师模型和所述第二老师模型对同一个伪检测框的预测结果的一致程度;第三生成模块,用于根据所述一致性分数和分类损失生成无标签数据的损失函数;第三更新模块,在第一学生模型和第二学生模型训练过程中根据所述无标签数据的损失函数更新所述第一学生模型或第二学生模型的参数。
可选地,确定模块包括:第一确定单元,用于确定所述第一伪标签数据中的分类分布和所述第二伪标签数据中的分类分布差值的曼哈顿距离;第二确定单元,用于根据所述差值的曼哈顿距离和激活函数确定所述一致性分数。可选地,第三生成模块包括:获取单元,用于获取伪前景框特征、伪背景框特征、伪前景框分类标签、伪背景框分类标签、前景框数量和背景框数量;第三确定单元,用于根据所述伪前景框特征和所述伪前景框分类标签确定伪前景框的分类损失,根据所述伪背景框特征和所述伪背景框分类标签确定伪背景框的分类损失,其中,所述分类损失根据交叉熵损失确定;生成单元,用于根据所述前景框数量、所述背景框数量、采用一致性分数对伪前景框的分类损失重加权后的分类损失和所述伪背景框的分类损失生成无标签数据的损失函数。
可选地,该装置还包括:第四生成模块,用于生成有标签数据的损失函数,其中,所述有标签数据的损失函数包括有标签数据的分类损失和有标签数据的回归损失,用于在第一学生模型和第二学生模型训练过程中更新参数。
可选地,识别模块包括:识别单元,用于根据所述循环后的第一老师模型或第二老师模型对电网设备缺陷进行识别,或者包括:第一得到单元,用于根据所述循环后的第一老师模型对电网设备缺陷进行识别,得到第一识别结果;第二得到单元,用于根据所述循环后的第二老师模型对电网设备缺陷进行识别,得到第二识别结果;第三得到单元,用于根据所述第一识别结果和所述第二识别结果进行加权融合,得到缺陷识别结果。
可选地,初始化模块包括:初始化单元,用于根据不同的参数随机初始化第一学生模型和第二学生模型;训练单元,用于根据有标签数据对所述第一学生模型和所述第二学生模型进行训练;更新单元,用于采用指数滑动平均算法将训练后的第一学生模型中的参数更新到第一老师模型中,训练后的第二学生模型中的参数更新到第二老师模型中。
根据本申请实施例的又一个方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;其中,存储器,用于存储计算机程序;处理器,用于通过运行所述存储器上所存储的所述计算机程序来执行上述任一实施例中的方法步骤。
根据本申请实施例的又一个方面,还提供了一种计算机可读的存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一实施例中的方法步骤。
在本申请实施例中,采用模型循环训练的方式,通过初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型;根据第一老师模型生成第一伪标签数据;根据第一伪标签数据和有标签数据对第二学生模型进行训练;将训练后的第二学生模型中的参数更新到第二老师模型中;根据第二老师模型生成第二伪标签数据;根据第二伪标签数据和有标签数据对第一学生模型进行训练;将训练后的第一学生模型中的参数更新到第一老师模型中;循环伪标签数据生成、训练以及参数更新过程,输出循环后的第一老师模型和第二老师模型;根据循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别。由老师模型为学生模型生成伪标签时,采取交叉生成策略,即第一老师模型为第二学生模型生成伪标签,第二老师模型为第一学生模型生成伪标签,达到了解耦老师模型和学生模型的参数的技术效果。
在本申请实施例中,在训练分类器时,利用一致性分数重新加权分类损失,即在前景框检测时,若第一老师模型和第二老师模型的预测结果越一致,则在分类时对应的权重越高,实现了减少老师模型积累学生模型误差的目的。进而解决了相关技术中老师模型从学生模型中积累的预测偏差进一步累积到学生模型上的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请实施例的一种可选的电网设备缺陷识别方法的硬件环境的示意图;
图2是根据本申请实施例的一种可选的电网设备缺陷识别方法的流程示意图;
图3是根据本申请实施例的一种可选的基于循环自训练框架的电网设备缺陷识别方法的框架图;
图4是根据本申请实施例的一种可选的老师-学生模型交叉监督示意图;
图5是根据本申请实施例的一种可选的循环自训练阶段算法流程图;
图6是根据本申请实施例的一种可选的电网设备缺陷识别装置的结构框图;
图7是根据本申请实施例的一种可选的电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一个方面,提供了一种电网设备缺陷识别方法。可选地,在本实施例中,上述电网设备缺陷识别方法可以应用于如图1所示的硬件环境中。如图1所示,终端102中可以包含有存储器104、处理器106和显示器108(可选部件)。终端102可以通过网络110与服务器112进行通信连接,该服务器112可用于为终端或终端上安装的客户端提供服务(如应用服务等),可在服务器112上或独立于服务器112设置数据库114,用于为服务器112提供数据存储服务。此外,服务器112中可以运行有处理引擎116,该处理引擎116可以用于执行由服务器112所执行的步骤。
可选地,终端102可以但不限于为可以计算数据的终端,如移动终端(例如手机、平板电脑)、笔记本电脑、PC(Personal Computer,个人计算机)机等终端上,上述网络可以包括但不限于无线网络或有线网络。其中,该无线网络包括:蓝牙、WIFI(Wireless Fidelity,无线保真)及其他实现无线通信的网络。上述有线网络可以包括但不限于:广域网、城域网、局域网。上述服务器112可以包括但不限于任何可以进行计算的硬件设备。
此外,在本实施例中,上述电网设备缺陷识别方法还可以但不限于应用于处理能力较强大的独立的处理设备中,而无需进行数据交互。例如,该处理设备可以但不限于为处理能力较强大的终端设备,即,上述电网设备缺陷识别方法中的各个操作可以集成在一个独立的处理设备中。上述仅是一种示例,本实施例中对此不作任何限定。
可选地,在本实施例中,上述电网设备缺陷识别方法可以由服务器112来执行,也可以由终端102来执行,还可以是由服务器112和终端102共同执行。其中,终端102执行本申请实施例的电网设备缺陷识别方法也可以是由安装在其上的客户端来执行。
以电网设备缺陷识别方法应用于服务器为例,图2是根据本申请实施例的一种可选的电网设备缺陷识别方法的流程示意图,如图2所示,该方法的流程可以包括以下步骤:
步骤S201,初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型。
可选地,在本申请实施例中,对各模型中的参数进行初始化操作,其中,第一学生模型和第二学生模型随机初始化,第一老师模型和第二老师模型根据训练后的第一学生模型和第二学生模型进行初始化。
步骤S202,根据第一老师模型生成第一伪标签数据。
可选地,在训练模型之前,先生成由有标签数据和无标签数据构成的训练样本,其中训练样本具体包括包含电网设备的图像,有标签数据为标注出电网设备缺陷的图像。如图3所示,第一老师模型(即T1)根据无标签数据生成伪标签数据,作为第二学生模型(即S2)训练时的输入,即图3中输入到第二学生模型中的无标签数据。
步骤S203,根据第一伪标签数据和有标签数据对第二学生模型进行训练。
可选地,如图3所示,第二学生模型根据第一老师模型生成的伪标签数据和训练样本中的有标签数据进行训练。由此,充分利用了训练样本中的无标签数据,通过采用无标签数据转化的伪标签数据参与目标检测模型的训练。
步骤S204,将训练后的第二学生模型中的参数更新到第二老师模型中。
可选地,如图3所示,通过指数滑动平均(EMA,Exponential Moving Average)方法将训练后的第二学生模型中的参数更新到第二老师模型(即T2)中。
步骤S205,根据第二老师模型生成第二伪标签数据。
可选地,如图3所示,第二老师模型根据无标签数据生成伪标签数据,作为第一学生模型(即S1)训练时的输入,即图3中输入到第一学生模型中的无标签数据。
步骤S206,根据第二伪标签数据和有标签数据对第一学生模型进行训练。
可选地,如图3所示,第一学生模型根据第二老师模型生成的伪标签数据和训练样本中的有标签数据进行训练。
步骤S207,将训练后的第一学生模型中的参数更新到第一老师模型中。
可选地,如图3所示,通过指数滑动平均(EMA)方法将训练后的第一学生模型中的参数更新到第一老师模型中。
步骤S208,循环伪标签数据生成、训练以及参数更新过程,输出循环后的第一老师模型和第二老师模型。
可选地,如图4所示,第一老师模型根据无标签数据生成伪标签数据发送给第二学生模型;第二学生模型训练后根据EMA将参数更新给第二老师模型;第二老师模型根据无标签数据生成伪标签数据发送给第一学生模型;第一学生模型训练后根据EMA将参数更新给第一老师模型,对这四个过程进行循环,循环结束后输出第一老师模型和第二老师模型。
步骤S209,根据循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别。
可选地,在本申请实施例中,可以获取包含电网设备的测试图像,使用老师模型对测试图像进行检测识别。
在本申请实施例中,采用模型循环训练的方式,通过初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型;根据第一老师模型生成第一伪标签数据;根据第一伪标签数据和有标签数据对第二学生模型进行训练;将训练后的第二学生模型中的参数更新到第二老师模型中;根据第二老师模型生成第二伪标签数据;根据第二伪标签数据和有标签数据对第一学生模型进行训练;将训练后的第一学生模型中的参数更新到第一老师模型中;循环伪标签数据生成、训练以及参数更新过程,输出循环后的第一老师模型和第二老师模型;根据循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别。由于老师模型为学生模型生成伪标签时,采取交叉生成策略,即第一老师模型为第二学生模型生成伪标签,第二老师模型为第一学生模型生成伪标签,达到了解耦老师模型和学生模型的参数的技术效果。
作为一种可选的实施例,伪标签包括检测框及其对应的分类分布,电网设备缺陷识别方法还包括:
获取第一老师模型生成的第一伪标签数据和第二老师模型生成的第二伪标签数据;根据第一伪标签数据中的分类分布和第二伪标签数据中的分类分布确定一致性分数,其中,一致性分数用于表示第一老师模型和第二老师模型对同一个伪检测框的预测结果的一致程度;根据一致性分数和分类损失生成无标签数据的损失函数;在第一学生模型和第二学生模型训练过程中根据无标签数据的损失函数更新第一学生模型或第二学生模型的参数。
可选地,如图5所示,对于同一个输入图像(无标签数据),第一老师模型生成第一伪标签数据(即伪标签),第二老师模型生成第二伪标签数据(即预测标签)。对第一伪标签数据和第二伪标签数据使用一致性策略,即根据第一伪标签数据中的分类分布和第二伪标签数据中的分类分布确定一致性分数(即c),根据一致性分数和任一学生模型的分类损失Lcls生成无标签数据的损失函数Lu,根据无标签数据的损失函数更新相应的学生模型的参数,更新后的学生模型继续参与循环训练的过程。
在本申请实施例中,通过一致性重加权策略,即若两个老师模型对同一个伪检测框的分类分布预测结果一致性越高,该检测在训练分类器时权重越高,实现了减少老师模型积累学生模型误差的目的。
作为一种可选的实施例,根据第一伪标签数据中的分类分布和第二伪标签数据中的分类分布确定一致性分数包括:
确定第一伪标签数据中的分类分布和第二伪标签数据中的分类分布差值的曼哈顿距离(即L1距离);根据差值的曼哈顿距离和激活函数确定一致性分数。
可选地,对于采用交叉监督生成的伪标签,将第一伪标签数据中的分类分布记作p1,第二伪标签数据中的分类分布记作p2,p1和p2差值的曼哈顿距离可表示为:||p1-p2||1,一致性分数根据差值的曼哈顿距离和激活函数Sigmoid确定,一致性分数c的公式如下所示:
c=2*(1-Sigmoid(||p1-p2||1))
在本申请实施例中,确定了一致性分数c,对预测结果一致性越高的检测框在训练分类器时的权重越高,实现了减少模型误差的目的。
作为一种可选的实施例,根据一致性分数和分类损失生成无标签数据的损失函数包括:
获取伪前景框特征、伪背景框特征、伪前景框分类标签、伪背景框分类标签、前景框数量和背景框数量;根据伪前景框特征和伪前景框分类标签确定伪前景框的分类损失,根据伪背景框特征和伪背景框分类标签确定伪背景框的分类损失,其中,分类损失根据交叉熵损失确定;根据前景框数量、背景框数量、采用一致性分数对伪前景框的分类损失重加权后的分类损失和伪背景框的分类损失生成无标签数据的损失函数。
可选地,获取伪前景框特征伪背景框特征伪前景框分类标签伪背景框分类标签前景框数量Nf和背景框数量Nb,根据伪前景框特征和伪前景框分类标签确定伪前景框的分类损失根据伪背景框特征和伪背景框分类标签确定伪背景框的分类损失其中,分类损失Lcls根据交叉熵损失确定。在伪前景框分类损失前乘以一致性分数c,即重加权仅对前景检测框操作,这是由于背景框过多,无需进一步加权,需要说明的是,前景框对应检测框框选区域,背景框对应框选区域以外的区域。根据前景框数量、背景框数量、采用一致性分数对伪前景框的分类损失重加权后的分类损失和伪背景框的分类损失生成的无标签数据的损失函数公式如下所示:
其中,ci表示第i个前景框对应的一致性分数。
在本申请实施例中,对伪前景框进行重加权,确定了无标签数据的损失函数。
作为一种可选的实施例,电网设备缺陷识别方法还包括:
生成有标签数据的损失函数,其中,有标签数据的损失函数包括有标签数据的分类损失和有标签数据的回归损失,用于在第一学生模型和第二学生模型训练过程中更新参数。
可选地,如图3所示,第一学生模型和第二学生模型通过输入有标签数据进行训练,生成有标签数据的损失函数(即Ls)用于在训练过程中更新参数,其中,有标签数据的损失函数包括有标签数据的分类损失和有标签数据的回归损失而无标签数据的损失函数Lu仅包含分类损失,这是由于老师模型预测的伪检测框质量较差,计算损失反而会对模型造成不好的影响。
在本申请实施例中,通过有标签数据的损失函数实现学生模型根据有标签数据训练过程中参数的更新。
作为一种可选的实施例,根据循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别包括:
根据循环后的第一老师模型或第二老师模型对电网设备缺陷进行识别,或者根据循环后的第一老师模型对电网设备缺陷进行识别,得到第一识别结果;根据循环后的第二老师模型对电网设备缺陷进行识别,得到第二识别结果;根据第一识别结果和第二识别结果进行加权融合,得到缺陷识别结果。
可选地,在训练完成后,可以通过单独使用第一老师模型或第二老师模型对电网设备缺陷进行识别,也可以对两者的识别结果使用加权融合算法(WBF,Weighted BoxesFusion)得到电网设备缺陷识别结果。
通过本实施例,使用训练后的模型对图像进行识别,生成检测框及对应的分类分布,实现了对电网设备缺陷的识别。
作为一种可选的实施例,初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型包括:
根据不同的参数随机初始化第一学生模型和第二学生模型;根据有标签数据对第一学生模型和第二学生模型进行训练;采用指数滑动平均算法将训练后的第一学生模型中的参数更新到第一老师模型中,训练后的第二学生模型中的参数更新到第二老师模型中。
可选地,对模型进行初始化操作,第一学生模型和第二学生模型根据不同的参数进行随机初始化,然后仅使用有标签数据对第一学生模型和第二学生模型进行训练,采用指数滑动平均算法将训练后的第一学生模型中的参数更新到第一老师模型中,训练后的第二学生模型中的参数更新到第二老师模型中,完成对第一老师模型和第二老师模型的初始化。
在本实施例中,通过不同的参数对学生模型进行随机初始化,根据训练后的学生模型参数对老师模型初始化,完成了循环训练模型的初始化。
根据本申请实施例的另一个方面,还提供了一种用于实施上述电网设备缺陷识别方法的电网设备缺陷识别装置。图6是根据本申请实施例的一种可选的电网设备缺陷识别装置的结构框图,如图6所示,该装置可以包括:
初始化模块601,用于初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型;
第一生成模块602,用于根据第一老师模型生成第一伪标签数据;
第一训练模块603,用于根据第一伪标签数据和有标签数据对第二学生模型进行训练;
第一更新模块604,用于将训练后的第二学生模型中的参数更新到第二老师模型中;
第二生成模块605,用于根据第二老师模型生成第二伪标签数据;
第二训练模块606,用于根据第二伪标签数据和有标签数据对第一学生模型进行训练;
第二更新模块607,用于将训练后的第一学生模型中的参数更新到第一老师模型中;
循环模块608,用于循环伪标签数据生成、训练以及参数更新过程,输出循环后的第一老师模型和第二老师模型;
识别模块609,用于根据循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别。
需要说明的是,该实施例中的初始化模块601可以用于执行上述步骤S201,该实施例中的第一生成模块602可以用于执行上述步骤S202,该实施例中的第一训练模块603可以用于执行上述步骤S203,该实施例中的第一更新模块604可以用于执行上述步骤S204,该实施例中的第二生成模块605可以用于执行上述步骤S205,该实施例中的第二训练模块606可以用于执行上述步骤S206,该实施例中的第二更新模块607可以用于执行上述步骤S207,该实施例中的循环模块608可以用于执行上述步骤S208,该实施例中的识别模块609可以用于执行上述步骤S209。
通过上述模块,老师模型为学生模型生成伪标签时,采取交叉生成策略,即第一老师模型为第二学生模型生成伪标签,第二老师模型为第一学生模型生成伪标签,达到了解耦老师模型和学生模型的参数的技术效果。
作为一种可选地实施例,该装置还包括:
获取模块,用于获取第一老师模型生成的第一伪标签数据和第二老师模型生成的第二伪标签数据;确定模块,用于根据第一伪标签数据中的分类分布和第二伪标签数据中的分类分布确定一致性分数,其中,一致性分数用于表示第一老师模型和第二老师模型对同一个伪检测框的预测结果的一致程度;第三生成模块,用于根据一致性分数和分类损失生成无标签数据的损失函数;第三更新模块,在第一学生模型和第二学生模型训练过程中根据无标签数据的损失函数更新第一学生模型或第二学生模型的参数。
作为一种可选地实施例,确定模块包括:
第一确定单元,用于确定第一伪标签数据中的分类分布和第二伪标签数据中的分类分布差值的曼哈顿距离;第二确定单元,用于根据差值的曼哈顿距离和激活函数确定一致性分数。
作为一种可选地实施例,第三生成模块包括:
获取单元,用于获取伪前景框特征、伪背景框特征、伪前景框分类标签、伪背景框分类标签、前景框数量和背景框数量;第三确定单元,用于根据伪前景框特征和伪前景框分类标签确定伪前景框的分类损失,根据伪背景框特征和伪背景框分类标签确定伪背景框的分类损失,其中,分类损失根据交叉熵损失确定;生成单元,用于根据前景框数量、背景框数量、采用一致性分数对伪前景框的分类损失重加权后的分类损失和伪背景框的分类损失生成无标签数据的损失函数。
作为一种可选地实施例,该装置还包括:
第四生成模块,用于生成有标签数据的损失函数,其中,有标签数据的损失函数包括有标签数据的分类损失和有标签数据的回归损失,用于在第一学生模型和第二学生模型训练过程中更新参数。
作为一种可选地实施例,识别模块包括:
识别单元,用于根据循环后的第一老师模型或第二老师模型对电网设备缺陷进行识别,或者包括:第一得到单元,用于根据循环后的第一老师模型对电网设备缺陷进行识别,得到第一识别结果;第二得到单元,用于根据循环后的第二老师模型对电网设备缺陷进行识别,得到第二识别结果;第三得到单元,用于根据第一识别结果和第二识别结果进行加权融合,得到缺陷识别结果。
作为一种可选地实施例,初始化模块包括:
初始化单元,用于根据不同的参数随机初始化第一学生模型和第二学生模型;训练单元,用于根据有标签数据对第一学生模型和第二学生模型进行训练;更新单元,用于采用指数滑动平均算法将训练后的第一学生模型中的参数更新到第一老师模型中,训练后的第二学生模型中的参数更新到第二老师模型中。
通过上述模块,在训练分类器时,利用一致性分数重新加权分类损失,即在前景框检测时,若第一老师模型和第二老师模型的预测结果越一致,则在分类时对应的权重越高,实现了减少老师模型积累学生模型误差的目的。进而解决了相关技术中老师模型从学生模型中积累的预测偏差进一步累积到学生模型上的问题。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
根据本申请实施例的又一个方面,还提供了一种用于实施上述电网设备缺陷识别方法的电子设备,该电子设备可以是服务器、终端、或者其组合。
图7是根据本申请实施例的一种可选的电子设备的结构框图,如图7所示,包括处理器701、通信接口702、存储器703和通信总线704,其中,处理器701、通信接口702和存储器703通过通信总线704完成相互间的通信,其中,
存储器703,用于存储计算机程序;
处理器701,用于执行存储器703上所存放的计算机程序时,实现如下步骤:
初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型;
根据第一老师模型生成第一伪标签数据;
根据第一伪标签数据和有标签数据对第二学生模型进行训练;
将训练后的第二学生模型中的参数更新到第二老师模型中;
根据第二老师模型生成第二伪标签数据;
根据第二伪标签数据和有标签数据对第一学生模型进行训练;
将训练后的第一学生模型中的参数更新到第一老师模型中;
循环伪标签数据生成、训练以及参数更新过程,输出循环后的第一老师模型和第二老师模型;
根据循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别。
可选地,在本实施例中,上述的通信总线可以是PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线、或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM,也可以包括非易失性存储器(non-volatile memory),例如,至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
作为一种示例,如图7所示,上述存储器703中可以但不限于包括上述电网设备缺陷识别装置中的初始化模块601、第一生成模块602、第一训练模块603、第一更新模块604、第二生成模块605、第二训练模块606、第二更新模块607、循环模块608以及识别模块609。此外,还可以包括但不限于上述电网设备缺陷识别装置中的其他模块单元,本示例中不再赘述。
上述处理器可以是通用处理器,可以包含但不限于:CPU(Central ProcessingUnit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(DigitalSignal Processing,数字信号处理器)、ASIC(Application Specific IntegratedCircuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
此外,上述电子设备还包括:显示器,用于显示电网设备缺陷识别结果。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图7所示的结构仅为示意,实施上述电网设备缺陷识别方法的设备可以是终端设备,该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图7其并不对上述电子设备的结构造成限定。例如,终端设备还可包括比图7中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图7所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
根据本申请实施例的又一个方面,还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行电网设备缺陷识别方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型;
根据第一老师模型生成第一伪标签数据;
根据第一伪标签数据和有标签数据对第二学生模型进行训练;
将训练后的第二学生模型中的参数更新到第二老师模型中;
根据第二老师模型生成第二伪标签数据;
根据第二伪标签数据和有标签数据对第一学生模型进行训练;
将训练后的第一学生模型中的参数更新到第一老师模型中;
循环伪标签数据生成、训练以及参数更新过程,输出循环后的第一老师模型和第二老师模型;
根据循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例中对此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
根据本申请实施例的又一个方面,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中;计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任一个实施例中的电网设备缺陷识别方法步骤。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例电网设备缺陷识别方法的全部或部分步骤。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例中所提供的方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种电网设备缺陷识别方法,其特征在于,所述方法包括:
初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型;
根据第一老师模型生成第一伪标签数据;
根据所述第一伪标签数据和有标签数据对第二学生模型进行训练;
将训练后的第二学生模型中的参数更新到第二老师模型中;
根据所述第二老师模型生成第二伪标签数据;
根据所述第二伪标签数据和有标签数据对第一学生模型进行训练;
将训练后的第一学生模型中的参数更新到所述第一老师模型中;
循环伪标签数据生成、训练以及参数更新过程,输出循环后的第一老师模型和第二老师模型;
根据所述循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别。
2.根据权利要求1所述的方法,其特征在于,所述伪标签包括检测框及其对应的分类分布,所述方法还包括:
获取第一老师模型生成的第一伪标签数据和第二老师模型生成的第二伪标签数据;
根据所述第一伪标签数据中的分类分布和所述第二伪标签数据中的分类分布确定一致性分数,其中,所述一致性分数用于表示所述第一老师模型和所述第二老师模型对同一个伪检测框的预测结果的一致程度;
根据所述一致性分数和分类损失生成无标签数据的损失函数;
在第一学生模型和第二学生模型训练过程中根据所述无标签数据的损失函数更新所述第一学生模型或第二学生模型的参数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一伪标签数据中的分类分布和所述第二伪标签数据中的分类分布确定一致性分数包括:
确定所述第一伪标签数据中的分类分布和所述第二伪标签数据中的分类分布差值的曼哈顿距离;
根据所述差值的曼哈顿距离和激活函数确定所述一致性分数。
4.根据权利要求2所述的方法,其特征在于,所述根据所述一致性分数和分类损失生成无标签数据的损失函数包括:
获取伪前景框特征、伪背景框特征、伪前景框分类标签、伪背景框分类标签、前景框数量和背景框数量;
根据所述伪前景框特征和所述伪前景框分类标签确定伪前景框的分类损失,根据所述伪背景框特征和所述伪背景框分类标签确定伪背景框的分类损失,其中,所述分类损失根据交叉熵损失确定;
根据所述前景框数量、所述背景框数量、采用一致性分数对伪前景框的分类损失重加权后的分类损失和所述伪背景框的分类损失生成无标签数据的损失函数。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
生成有标签数据的损失函数,其中,所述有标签数据的损失函数包括有标签数据的分类损失和有标签数据的回归损失,用于在第一学生模型和第二学生模型训练过程中更新参数。
6.根据权利要求1所述的方法,其特征在于,所述根据所述循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别包括:
根据所述循环后的第一老师模型或第二老师模型对电网设备缺陷进行识别,或者
根据所述循环后的第一老师模型对电网设备缺陷进行识别,得到第一识别结果;
根据所述循环后的第二老师模型对电网设备缺陷进行识别,得到第二识别结果;
根据所述第一识别结果和所述第二识别结果进行加权融合,得到缺陷识别结果。
7.根据权利要求1所述的方法,其特征在于,所述初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型包括:
根据不同的参数随机初始化第一学生模型和第二学生模型;
根据有标签数据对所述第一学生模型和所述第二学生模型进行训练;
采用指数滑动平均算法将训练后的第一学生模型中的参数更新到第一老师模型中,训练后的第二学生模型中的参数更新到第二老师模型中。
8.一种电网设备缺陷识别装置,其特征在于,所述装置包括:
初始化模块,用于初始化第一老师模型、第二老师模型、第一学生模型以及第二学生模型;
第一生成模块,用于根据第一老师模型生成第一伪标签数据;
第一训练模块,用于根据所述第一伪标签数据和有标签数据对第二学生模型进行训练;
第一更新模块,用于将训练后的第二学生模型中的参数更新到第二老师模型中;
第二生成模块,用于根据所述第二老师模型生成第二伪标签数据;
第二训练模块,用于根据所述第二伪标签数据和有标签数据对第一学生模型进行训练;
第二更新模块,用于将训练后的第一学生模型中的参数更新到所述第一老师模型中;
循环模块,用于循环伪标签数据生成、训练以及参数更新过程,输出循环后的第一老师模型和第二老师模型;
识别模块,用于根据所述循环后的第一老师模型和第二老师模型对电网设备缺陷进行识别。
9.一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信,其特征在于,
所述存储器,用于存储计算机程序;
所述处理器,用于通过运行所述存储器上所存储的所述计算机程序来执行权利要求1至7中任一项所述的方法步骤。
10.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时实现权利要求1至7中任一项中所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210974585.1A CN115293276A (zh) | 2022-08-15 | 2022-08-15 | 一种电网设备缺陷识别方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210974585.1A CN115293276A (zh) | 2022-08-15 | 2022-08-15 | 一种电网设备缺陷识别方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293276A true CN115293276A (zh) | 2022-11-04 |
Family
ID=83830743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210974585.1A Pending CN115293276A (zh) | 2022-08-15 | 2022-08-15 | 一种电网设备缺陷识别方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293276A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113168559A (zh) * | 2018-12-07 | 2021-07-23 | 微软技术许可有限责任公司 | 机器学习模型的自动化生成 |
CN113689000A (zh) * | 2021-08-25 | 2021-11-23 | 深圳前海微众银行股份有限公司 | 联邦学习模型的训练方法、装置、电子设备及存储介质 |
CN113743474A (zh) * | 2021-08-10 | 2021-12-03 | 扬州大学 | 基于协同半监督卷积神经网络的数字图片分类方法与系统 |
WO2021261696A1 (en) * | 2020-06-24 | 2021-12-30 | Samsung Electronics Co., Ltd. | Visual object instance segmentation using foreground-specialized model imitation |
CN114169392A (zh) * | 2021-10-29 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 模型训练方法及装置、任务处理方法、存储介质和处理器 |
US20220156593A1 (en) * | 2020-11-16 | 2022-05-19 | Salesforce.Com, Inc. | Systems and methods for video representation learning with a weak teacher |
-
2022
- 2022-08-15 CN CN202210974585.1A patent/CN115293276A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113168559A (zh) * | 2018-12-07 | 2021-07-23 | 微软技术许可有限责任公司 | 机器学习模型的自动化生成 |
WO2021261696A1 (en) * | 2020-06-24 | 2021-12-30 | Samsung Electronics Co., Ltd. | Visual object instance segmentation using foreground-specialized model imitation |
US20220156593A1 (en) * | 2020-11-16 | 2022-05-19 | Salesforce.Com, Inc. | Systems and methods for video representation learning with a weak teacher |
CN113743474A (zh) * | 2021-08-10 | 2021-12-03 | 扬州大学 | 基于协同半监督卷积神经网络的数字图片分类方法与系统 |
CN113689000A (zh) * | 2021-08-25 | 2021-11-23 | 深圳前海微众银行股份有限公司 | 联邦学习模型的训练方法、装置、电子设备及存储介质 |
CN114169392A (zh) * | 2021-10-29 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 模型训练方法及装置、任务处理方法、存储介质和处理器 |
Non-Patent Citations (1)
Title |
---|
HAO LIU ET.AL: ""Cycle Self-Training for Semi-Supervised Object Detection with Distribution Consistency Reweighting"" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11586911B2 (en) | Pre-training system for self-learning agent in virtualized environment | |
CN110334689B (zh) | 视频分类方法和装置 | |
CN110472090B (zh) | 基于语义标签的图像检索方法以及相关装置、存储介质 | |
CN111494964B (zh) | 虚拟物品的推荐方法、模型的训练方法、装置及存储介质 | |
CN111461164B (zh) | 样本数据集的扩容方法及模型的训练方法 | |
US11468296B2 (en) | Relative position encoding based networks for action recognition | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN109189922B (zh) | 评论评估模型的训练方法和装置 | |
CN113569852A (zh) | 语义分割模型的训练方法、装置、电子设备及存储介质 | |
CN115187772A (zh) | 目标检测网络的训练及目标检测方法、装置及设备 | |
CN113313215A (zh) | 图像数据处理方法、装置、计算机设备和存储介质 | |
CN115082752A (zh) | 基于弱监督的目标检测模型训练方法、装置、设备及介质 | |
CN114170484B (zh) | 图片属性预测方法、装置、电子设备和存储介质 | |
CN111680213B (zh) | 信息推荐方法、数据处理方法及装置 | |
CN113255701B (zh) | 一种基于绝对-相对学习架构的小样本学习方法和系统 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN111488887B (zh) | 基于人工智能的图像处理方法、装置 | |
CN111126493A (zh) | 深度学习模型的训练方法、装置、电子设备及存储介质 | |
CN116977271A (zh) | 缺陷检测方法、模型训练方法、装置及电子设备 | |
CN115293276A (zh) | 一种电网设备缺陷识别方法、装置、电子设备和存储介质 | |
CN110428012A (zh) | 脑网络模型建立方法、脑图像分类方法、装置及电子设备 | |
CN115270923A (zh) | 一种基于场景的可视化智能决策方法及系统 | |
CN114238968A (zh) | 应用程序检测方法及装置、存储介质及电子设备 | |
CN114299370A (zh) | 一种基于云边协同的物联网场景感知方法及装置 | |
CN116764236A (zh) | 游戏道具推荐方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221104 |