典型文献
基于多类别Focal Loss损失函数的变电站场景图像语义分割研究
文献摘要：
图像语义分割技术在变电站智能机器人抢险作业以及日常巡检中起重要作用.针对变电站场景中的类别不平衡问题,提出了 一种用于训练多类别图像语义分割模型的多类别Focal Loss损失函数.多类别Focal Loss损失函数可以动态调整各类别的权值,对出现频率小的类别更加友好.基于深度学习和变电站场景图像,分别使用多类别Focal Loss损失函数和交叉熵损失函数训练基于FCN、SegNet和DeepLabV3网络的图像语义分割模型进行对比实验,并通过平均交并比和像素准确率等评价指标进行模型评价.实验结果表明基于多类别Focal Loss损失函数的图像语义分割模型具有良好效果,有助于缓解类别不平衡现象.
文献关键词：
图像语义分割;深度学习;多类别损失函数;评价指标;类别平衡化
中图分类号：
作者姓名：
毛昊;李新利;王孝伟;杨国田;彭鹏;邵宇鹰
作者机构：
华北电力大学控制与计算机工程学院,北京102206;国网上海市电力公司,江苏上海200120
文献出处：
引用格式：
[1]毛昊;李新利;王孝伟;杨国田;彭鹏;邵宇鹰-.基于多类别Focal Loss损失函数的变电站场景图像语义分割研究)[J].华北电力大学学报（自然科学版）,2022(05):84-92
A类：
多类别损失函数,类别平衡化
B类：
Focal,Loss,变电站场景,场景图像,图像语义分割,语义分割技术,智能机器人,抢险,日常巡检,类别不平衡,不平衡问题,分割模型,权值,交叉熵损失函数,FCN,SegNet,DeepLabV3,平均交并比,像素,模型评价,良好效果,不平衡现象
AB值：
0.207226
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
