Research on identity recognition technology of regional electric power marketing management information platform based on deep learning
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
This paper first introduces the regional power marketing management platform, after which the 3 major functional modules of this power marketing management platform are designed. Then MobileFaceNet is used as the basic network for face recognition feature extraction in the context of deep learning, and the SE module is used to optimize the network performance and network expressiveness. Afterwards, the Taylor expansion of the negative log-likelihood function is used as an optimization criterion to optimize the face detection model (MTCNN) and the face recognition model (SE-MobileFaceNet). Finally, the running effect and performance of SE-MobileFaceNet model are measured. The main conclusions are as follows: in 1:1 mode, the accuracy of SE-MobileFaceNet model for the three datasets DRDS, DE and DPDS is 95.99%, 96.98% and 98.83%, respectively. In addition, the SE-MobileFaceNet model can avoid excessive redundant calculations, so that its recognition rate reaches 95%.The accuracy of the SE-MobileFaceNet model for monitoring and recognizing the information of the management platform ranges from 97.43% to 100%, and it has a good operating effect in the identification of the regional electric power marketing management information platform, and the overall satisfaction rate of the testers for the model is also >85%. The overall satisfaction of the testers to the model is also >85%. Obviously, the SE-MobileFaceNet model proposed in this paper has a very broad application in regional power marketing management information platform identity recognition.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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