典型文献
一种基于姿态感知的电力人员穿戴识别残差网络
文献摘要：
为有效利用机器视觉技术实现对电力作业人员穿戴规范进行准确识别,减少安全事故的发生,构建了一种基于姿态感知的穿戴规范识别复合残差网络.该复合网络首先将VGG(Visual Geometry Group)与分裂-转换-聚合(Split-Transfer-Agregation,STA)模块引入残差网络中,构建高性能的ResNeXt50基础网络模块.对ResNeXt50网络不同层次的残差特征图进行聚合与解码处理,实现对人体姿态的估计与关键区域的定位.将卷积块注意力模块(Convolutional Block Attention Module,CBAM)集成到ResNeXt50网络相邻卷积层之间,以提高目标特征的表述能力,从而实现对电力人员穿戴情况进行准确识别.在训练阶段,采用迁移学习实现对预训练网络的顶层参数进行修正,以解决穿戴设备样本图片不足的缺点,从而提高复合网络的识别准确率.通过与SDD、Res-Net50和Inception-v3网络进行对比实验发现,建立的复合网络获得了更高的平均精确率(Mean Average Precision,MAP)值,单帧识别耗时更小,能有效地实现弱小穿戴设备的识别.
文献关键词：
目标识别;姿态感知;残差网络;迁移学习;卷积块注意力模块
中图分类号：
作者姓名：
常政威;蒲维;吴杰;黄坤超;熊兴中;陈明举
作者机构：
国网四川省电力公司电力科学研究院,成都610041;四川轻化工大学 自动化与信息工程学院,四川 宜宾644002
文献出处：
引用格式：
[1]常政威;蒲维;吴杰;黄坤超;熊兴中;陈明举-.一种基于姿态感知的电力人员穿戴识别残差网络)[J].电讯技术,2022(01):31-38
A类：
Agregation
B类：
姿态感知,力人,残差网络,机器视觉技术,电力作业,作业人员,准确识别,安全事故,复合网络,VGG,Visual,Geometry,Group,Split,Transfer,STA,ResNeXt50,不同层次,特征图,解码,体姿,关键区域,卷积块注意力模块,Convolutional,Block,Attention,Module,CBAM,卷积层,目标特征,训练阶段,迁移学习,预训练,穿戴设备,备样,识别准确率,SDD,Net50,Inception,v3,精确率,Mean,Average,Precision,MAP,单帧,弱小,目标识别
AB值：
0.474105
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。
