Optimized hybrid YOLOu‐Quasi‐ProtoPNet for insulators classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract To ensure the electrical power supply, inspections are frequently performed in the power grid. Nowadays, several inspections are conducted considering the use of aerial images since the grids might be in places that are difficult to access. The classification of the insulators' conditions recorded in inspections through computer vision is challenging, as object identification methods can have low performance because they are typically pre‐trained for a generalized task. Here, a hybrid method called YOLOu‐Quasi‐ProtoPNet is proposed for the detection and classification of failed insulators. This model is trained from scratch, using a personalized ultra‐large version of YOLOv5 for insulator detection and the optimized Quasi‐ProtoPNet model for classification. For the optimization of the Quasi‐ProtoPNet structure, the backbones VGG‐16, VGG‐19, ResNet‐34, ResNet‐152, DenseNet‐121, and DenseNet‐161 are evaluated. The F1‐score of 0.95165 was achieved using the proposed approach (based on DenseNet‐161) which outperforms models of the same class such as the Semi‐ProtoPNet, Ps‐ProtoPNet, Gen‐ProtoPNet, NP‐ProtoPNet, and the standard ProtoPNet for the classification task.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle