摘要：现有的人体姿态估计模型通常使用复杂的网络结构提升关键点检测准确率,忽视了模型参数量和复杂度,使得模型难以部署在资源受限的计算设备上。针对这一问题,构建一个感知全局上下文信息的轻量级人体姿态估计网络模型(GCEHNet)。对HRNet进行轻量化改进,使用深度卷积模块代替HRNet结构中的标准3×3残差卷积模块,在保证网络性能的同时大幅度降低模型参数量与复杂度。为了克服卷积神经网络(CNN)在长期语义依赖性建模方面的局限性,使用双支路方法联合CNN与Transformer,将全局位置信息嵌入CNN后期模块,使GCEHNet模型能感知上下文特征信息,从而提升网络性能。设计一种CNN特征与全局位置特征高效融合的策略,通过学习联合特征信息重新分配特征权重,捕获并增强来自不同感受野的特征信息。实验结果表明,GCEHNet模型在MS COCO val2017和test-dev2017数据集上的检测准确率分别达到71.6%和71.3%,相比于HRNet模型,在检测准确率仅损失4.5%的条件下参数量降低了76.4%,在检测准确率和模型复杂度间取得了较好的平衡。

摘要：作为一种重要的可调节资源,电动汽车(EV)参与调控有助于提升电力系统充裕性。然而,EV用户行为的不确定性可能为EV备用容量带来失效风险。针对上述问题,提出了EV用户参与调控意愿的多代理表征与可信容量量化方法。首先,结合EV出行行为设计了用户参与调控意愿的调研问卷,采集了真实用户参与调控的意愿数据;其次,通过小样本问卷数据深度挖掘建立了高效表征用户集群意愿的多代理模型;然后,在此基础上提出了用户参与调控意愿的判别方法,建立了EV集群可信容量量化模型;最后,通过算例分析了代理个体数等关键参量对EV用户集群参与调控意愿判别的影响,给出了合理设参时不同置信度下的EV集群可信容量。