基于特征融合和RNN的电力场景图像数据自动标注方法

摘要

针对现有图像标注技术在处理电力场景复杂序列信息时计算复杂、表征单一的问题，研究提出了一种基于多尺度特征融合与循环神经网络(recurrent neurral network, RNN)的电力场景图像自动标注方法。首先，采用卷积神经网络(convolutional neural network, CNN)作为编码器提取图像特征，创新性地引入了多尺度特征融合机制，以捕捉图像的细节与全局信息。其次，利用RNN作为解码器处理图像特征序列，通过引入Dropout正则化技术抑制模型过拟合，并结合Sigmoid交叉熵损失函数优化模型训练过程，构建端到端的图像标注模型。基于多尺度特征融合和RNN的图像标注模型在准确率结果分别为0.41、0.40、0.43、0.41、0.43,召回率结果分别为0.39、0.40、0.42、0.41、0.41。与语义分割、多边形标注等方法相比，该模型的标注时间最短，仅2.2 s。研究提出的模型有效解决了电力场景图像中序列关系的建模问题，具有较高的应用推广价值。

关键词

电力场景 / 图像标注 / 特征融合 / 循环神经网络 / 时间序列 / Dropout正则化 / 损失函数

基金资助

广东电网有限责任公司人工智能标注中心运营机制研究项目(GDKJXM20230574)