针对绝缘子缺陷检测算法具有较大的参数规模和计算量导致难以部署在边缘设备,模型剪枝后难以获得正确连接,且过度稀疏化训练导致模型精度大幅度下降等问题,提出一种基于DepGraph偏移正则化的绝缘子多缺陷检测轻量化算法。通过依赖图(Dep...针对绝缘子缺陷检测算法具有较大的参数规模和计算量导致难以部署在边缘设备,模型剪枝后难以获得正确连接,且过度稀疏化训练导致模型精度大幅度下降等问题,提出一种基于DepGraph偏移正则化的绝缘子多缺陷检测轻量化算法。通过依赖图(DepGraph)对改进后YOLOv7网络建立连接关系模型,再添加偏移正则化稀疏约束对其进行组级的稀疏训练,删除冗余的连接,得到参数规模和计算量更小的轻量型检测算法。将提出的模型压缩算法应用到绝缘子多缺陷检测任务中,实验结果表明,剪枝后模型相较于未剪枝模型的参数规模和计算量分别下降65.25%和65.98%,而平均准确率仅减少1.1个百分点,验证了DepGraph偏移正则化方案在绝缘子多缺陷检测任务中的有效性;在CIFAR-10数据集上进行实验,实验结果表明,在加速比为2.88时,所提算法仍可以保持93.69%的分类精度。使用TensorRT对该算法进行推理加速,并在Jetson Orin Nano平台上部署,经过TensorRT优化后模型的检测速度达到了35.24帧/s,符合在移动设备上部署的需求。展开更多
在复杂网络分析中,挖掘社区结构是一个重要且具有挑战性的研究方向。现有的基于深度学习方法在图相关任务中取得了不错的效果,但鲜有处理社区检测任务,尤其是重叠社区检测,并且也未能充分挖掘和利用网络的拓扑结构信息。为此,提出了一...在复杂网络分析中,挖掘社区结构是一个重要且具有挑战性的研究方向。现有的基于深度学习方法在图相关任务中取得了不错的效果,但鲜有处理社区检测任务,尤其是重叠社区检测,并且也未能充分挖掘和利用网络的拓扑结构信息。为此,提出了一种图正则化模糊自动编码器的重叠社区检测方法(Overlapping Community Detection with Graph Regularized Fuzzy AutoEncoder,FAE)。首先,运用自动编码器将网络拓扑编码为低维表示,进一步通过模糊C均值聚类形成模糊隶属度矩阵,随后解码模糊隶属度矩阵以重构网络拓扑。然后,将用于刻画网络中结构信息的图正则融入上述自动编码器。再者,融合后的自动编码器构成堆叠自动编码器,以获取深度模糊隶属度矩阵。最后,基于模糊集理论,使用深度模糊隶属度矩阵划分重叠社区。在3组人工网络和6个真实网络上的实验结果表明,该方法基于重叠标准互信息熵(ONMI)、杰卡德指数(Jaccard)、F1分数(F1-Score)的评估性能优于7种经典算法的大部分算法,展示了其在处理复杂网络重叠社区检测问题上的潜力。展开更多
文摘针对绝缘子缺陷检测算法具有较大的参数规模和计算量导致难以部署在边缘设备,模型剪枝后难以获得正确连接,且过度稀疏化训练导致模型精度大幅度下降等问题,提出一种基于DepGraph偏移正则化的绝缘子多缺陷检测轻量化算法。通过依赖图(DepGraph)对改进后YOLOv7网络建立连接关系模型,再添加偏移正则化稀疏约束对其进行组级的稀疏训练,删除冗余的连接,得到参数规模和计算量更小的轻量型检测算法。将提出的模型压缩算法应用到绝缘子多缺陷检测任务中,实验结果表明,剪枝后模型相较于未剪枝模型的参数规模和计算量分别下降65.25%和65.98%,而平均准确率仅减少1.1个百分点,验证了DepGraph偏移正则化方案在绝缘子多缺陷检测任务中的有效性;在CIFAR-10数据集上进行实验,实验结果表明,在加速比为2.88时,所提算法仍可以保持93.69%的分类精度。使用TensorRT对该算法进行推理加速,并在Jetson Orin Nano平台上部署,经过TensorRT优化后模型的检测速度达到了35.24帧/s,符合在移动设备上部署的需求。
文摘在复杂网络分析中,挖掘社区结构是一个重要且具有挑战性的研究方向。现有的基于深度学习方法在图相关任务中取得了不错的效果,但鲜有处理社区检测任务,尤其是重叠社区检测,并且也未能充分挖掘和利用网络的拓扑结构信息。为此,提出了一种图正则化模糊自动编码器的重叠社区检测方法(Overlapping Community Detection with Graph Regularized Fuzzy AutoEncoder,FAE)。首先,运用自动编码器将网络拓扑编码为低维表示,进一步通过模糊C均值聚类形成模糊隶属度矩阵,随后解码模糊隶属度矩阵以重构网络拓扑。然后,将用于刻画网络中结构信息的图正则融入上述自动编码器。再者,融合后的自动编码器构成堆叠自动编码器,以获取深度模糊隶属度矩阵。最后,基于模糊集理论,使用深度模糊隶属度矩阵划分重叠社区。在3组人工网络和6个真实网络上的实验结果表明,该方法基于重叠标准互信息熵(ONMI)、杰卡德指数(Jaccard)、F1分数(F1-Score)的评估性能优于7种经典算法的大部分算法,展示了其在处理复杂网络重叠社区检测问题上的潜力。
