典型文献
SaSnet:基于自监督学习的电力线实时分割网络
文献摘要：
电力线分割对于实现无人机自动避障、保障无人机低空飞行安全具有重要意义.传统基于线和线段的算法只能在一些简单场景下应用,在复杂场景下极容易出现误检、漏检情况.近年来,深度学习的快速发展极大地促进了电力线分割研究,但是相关研究仍然存在3个问题:1)较少考虑实际应用;2)没有充分利用电力线特点;3)忽略了缺乏大规模电力线数据的问题.该文基于电力线分割的实际应用需求,改进了传统的F1分数评价指标,提出一种基于积分加权的电力线分割评价指标.同时从电力线特点出发,提出一个轻量级的实时语义分割网络SaSnet,包括lite和general两个深度不同的版本.针对电力线分割缺乏大规模数据的问题,提出自监督学习算法IBS,基于IBS算法的SaSnet用极少量有标签数据进行训练,在公开数据集上的精度和速度都超越了目前已有的最优方法.在嵌入式设备上的实验结果表明SaSnet已经初步具备了实际应用的能力.
文献关键词：
电力线分割;卷积神经网络;自监督学习
中图分类号：
作者姓名：
陈梅林;王逸舟;戴彦;闫云凤;齐冬莲
作者机构：
浙江大学电气工程学院,浙江省 杭州市 310027;国网浙江省电力有限公司电力科学研究院,浙江省 杭州市 310014
文献出处：
引用格式：
[1]陈梅林;王逸舟;戴彦;闫云凤;齐冬莲-.SaSnet:基于自监督学习的电力线实时分割网络)[J].中国电机工程学报,2022(04):1365-1374,中插12
A类：
SaSnet,电力线分割
B类：
自监督学习,自动避障,低空飞行,飞行安全,线段,单场景,复杂场景,极容易,漏检,发展极,应用需求,分数评价,轻量级,实时语义分割,语义分割网络,lite,general,大规模数据,IBS,极少量,标签数据,公开数据集,嵌入式设备
AB值：
0.220723
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。
