融合共现推理的Faster R-CNN输电线路金具检测

为促进目标检测模型与电力领域业务知识有机融合，缓解金具样本间长尾分布问题，有效提升输电线路金具的自动化检测效果，提出了融合共现推理的Faster R-CNN(faster region-based convolutional neural network)输电线路金具检测模型。首先，深入研究输电线路金具结构化组合规则，通过数据驱动的方式以条件概率对金具目标间的共现连接关系进行有效表达；然后，结合图学习方法，利用学习并映射的共现概率关联作为共现图邻接矩阵，使用基线模型(Faster R-CNN)提取的特征向量作为图推理输入特征，以自学习的变换矩阵作为共现图传播权重，完成图信息传播并实现有效的共现推理模型嵌入。实验证明，融合共现推理模块的Faster R-CNN模型较原始模型提升了6.56%的准确率，对于长尾分布样本中数量较少的金具性能提升尤其显著。