CN119418253A 基于三维卷积网络和自注意力机制的山火检测方法和系统 （国网四川省电力公司电力科学研究院）

院基于三维卷积网络和自注意力机制的山火本申请公开了一种基于三维卷积网络和自自注意力机制以及一致性注意力正则化机制的在三维卷积网络的基础上加入了三维注意力机2对所述训练集和测试集中的视频数据进行预处理，将每个所述视频数构建山火识别模型，所述山火识别模型包括依次连接机制以及一致性注意力正则化机制的特征提取网2.根据权利要求1所述的一种基于三维卷积网络和自注意力机制的山火检测方法，其所述三维池化层对所述三维卷积层输出的特征图进行降所述Dropout层对所述三维池化层输出的特征图进行处理后输出至所述特征提取网3.根据权利要求2所述的一种基于三维卷积网络和自注意力机制的山火检测方法，其4.根据权利要求2所述的一种基于三维卷积网络和自注意力机制的山火检测方法，其;特征图在空间维度(p,g,r)处的权重值，表示上一层的输入特征图在位置5.根据权利要求3所述的一种基于三维卷积网络和自注意力机制的山火检测方法，其6.根据权利要求3所述的一种基于三维卷积网络和自注意力机制的山火检测方法，其37.根据权利要求3所述的一种基于三维卷积网络和自注意力机制的山火检测方法，其;习参数Θ,H.表示第k+1层的特征矩阵，i,表示第k层的目标特征矩阵，即网络希望在量矩阵H和i,之间的差异程度，是矩阵的范数，用来保证矩阵特征之间的一致性，K和K+1表示热力图的数量，p和0为两个常数权重。8.根据权利要求3所述的一种基于三维卷积网络和自注意力机制的山火检测方法，其9.根据权利要求1_8任一项所述的一种基于三维卷积网络和自注意力机制的山火检测对实时采集的所述山火视频数据进行预处理，将所述山火视频数据转数据集构建模块，所述数据集构建模块根据历史山火视频数据数据预处理模块，所述数据预处理模块对所述训练集和测试集模型构建模块，所述模型构建模块用于构建山火识别模型，所模型训练模块，所述模型训练模块利用预处理后的所述训练接对所述4一种基于三维卷积网络和自注意力机制的山火检测方法，所述山火检测方法包5[0006]在一些实施方式中，所述三维卷积网络包括三维卷积层、三维池化层和Dropout所述三维池化层对所述三维卷积层输出的特征图进行降所述Dropout层对所述三维池化层输出的特征图进行处理后输出至所述特征提取并将其输入至分类网络进行分类识别。可学习参数Θ,H.表示第k+1层的特征矩阵，i,表示第k层的目标特征矩阵，即网络希望用来衡量矩阵H和i,之间的差异程度，是矩阵的范数，用来保证矩阵特征之间的一致性，K和K+1表示热力图的数量，p和0为两个常数权重。6[0016]另一方面，本申请提出了一种基于三维卷积网络和自注意力机制的山火检测系型进行训练；并利用预处理后的所述测试集对完成训练后的所述山火识别模型进行测试，[0018]此处所说明的附图用来提供对本申请实施例的进一步理解，构成本申请的一部7[0022]该步骤100通过对历史山火视频数据集进行处理，得到若干个无火的视频数据和白或过短的视频，将视频剪裁成时长相差较小的片段（即保证数据集中所有视频时长一8于自注意力机制以及一致性注意力正则化机制的性一致的强可区分的山火目标特征；分类网络主要包括全局平均池化层、全连接层和个特征图在空间维度(p,g,r)处的权重值，表示上一层的输入特征图在位置(x+p,y+p,z+r')处的值。在本实施例中，三维卷积层用于通过使三维核应用卷积运算来采用但不限于3×3×3大小的池化核池化，通过在一个小的时空窗口内选择最佳的特征表示，来达到保留重要特征的同时减少三维卷积层的输出维度并降低模型训练难度的目的。[0033]为了减少模型相对于训练样本的过拟合，本实施例还在三维卷积网络中添加了9的可学习参数Θ,H.表示第k+1层的特征矩阵，i,表示第k层的目标特征矩阵，即网络希用来衡量矩阵H.和i,之间的差异程度，是矩阵的范数，用来保证矩示的转置，x表示前馈由我们的注意网络学习到的特征向量，表示标签对应的。[0048]数据预处理模块，该数据预处理模块对训练集和测试集中的视频数据进行预处[0055]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特