基于改進RPN的孿生小樣本電力目標檢測

馮珺 潘司晨 趙帥 彭梁英 樊雄飛

摘 要：為了解決當前電力系統巡檢難度大、效率低、數據不足以支撐大規模訓練的問題，提出一種基于孿生網絡的小樣本檢測方法。首先，在Faster RCNN（faster region convolutional neural network）目標識別算法的框架下，搭建支持圖片和查詢圖片共享的孿生網絡模型；然后，利用改進的RPN（region proposal network）模塊產生更高質量的proposals；最后，在檢測頭上對支持圖片和查詢圖片的RoI（region of interest）進行關聯匹配。結果表明，將算法應用于自主構建的EPD（electric power detection）數據集，在僅利用10張支持圖片的情況下，就能實現對電力背景下鳥巢異物和絕緣子相關類別的檢測，檢測指標mAP達到18.92%。與其他算法相比，應用于電力行業目標檢測的孿生網絡小樣本模型，在極端小樣本情況下性能優良，同時具有更加輕量化的優勢，可為電力檢測新方法研究提供參考。

關鍵詞：計算機感知；孿生網絡；電力場景；小樣本；目標檢測

Research on few-shot power detection of siamese network based on improved RPN

FENG Jun1， PAN Sichen1，ZHAO Shuai1，PENG Liangying1，FAN Xiongfei2

（1.State Grid Zhejiang Electric Power Company Information and Communication Branch， Hangzhou， Zhejiang 310014， China；2.College of Control Science and Engineering， Zhejiang University， Hangzhou， Zhejiang 310027， China）

Abstract：In order to solve the problems of difficulty， low efficiency， and insufficient data to support large-scale training in existing power system detection methods， a few-shot detection method based on siamese network was proposed. Firstly， under the framework of Faster RCNN（region convolutional neural network） object detection algorithm， a siamese network model supporting imageand querying image sharing was built. Then， the improved RPN （region proposal network） module was used to generate proposals of higher quality. Finallly， the RoI（region of interest） supporting and querying images was correlated and matched on the detection head. The results show that the proposed algorithm， applied to the self-constructed EPD（electric power detection） dataset， can detect foreign matters in bird nest and insulator in the power background， and the detection index reaches 18.92% mAP， in the case of only 10 supporting images. Compared with other algorithms， the siamese network model with small sample size has better performance under extremely few shot situations， and has the advantage of being more lightweight， which provides some reference for the new research direction of electric power detection.

Keywords：computer awareness; siamese network; electric power; few shot; object detection

電力傳輸設備具有戶外部署、常年使用穩定性要求高的特點，受到很多室外不確定性因素的影響甚至被損害。電力系統故障，如絕緣子故障、均壓環破損脫落、鳥類侵害（如筑巢）、防震錘故障等，造成很大的人力物力巡檢成本。伴隨著無人機領域的快速發展，無人機巡檢開始替代人工巡檢。無人機巡檢具有攜帶方便、反應迅速、操作簡單等優點，可以采集圖像視頻等多種素材。在電力行業走向智能電網時代的情況下，傳統的建模方法越來越難以滿足新形勢下電網的運行維護需求。將深度學習引入電力行業恰恰可以彌補這方面的不足。深度學習從底層數據逐層提取高維度故障特征^［1］，有效避免了人工制造特征對于數據信息的選擇傾向。在同步發動機的故障診斷上，代杰杰等^［2］根據變壓器油溶解氣體類型，建立了ReLU-DBN油色譜特征氣體變壓器診斷模型；在輸電線路故障方面，魏東等^［3］采用雙Softmax分類器，基于CNN提出了一種輸電線路內外故障判別與選相方法，解決了內外故障判斷和選相的非獨立分類問題；在風速預測方面，SERGIO等^［4］解決了傳統神經網絡維度的問題，也表明深度學習在時序問題上的應用潛力；李爭等^［5］基于CNN與K-means聚類，在非侵入式電器檢測問題上實現了負荷識別。可以看出，深度學習因其強大的適應能力，在解決智能電網建設的很多問題上有著相對突出的表現。

利用目標檢測算法對巡檢素材進行檢測分析，大大提高了巡檢效率。但無論是一階段算法（SSD^［6］（single shot multibox detector），YOLO^［7］（you only look once）），還是兩階段算法（RCNN^［8］類），都極度依賴大規模的標注數據，與電力行業故障和非正常樣本少、有價值信息率低、樣本量少的特點不匹配，在訓練數據規模不足時極易出現過擬合的問題。而小樣本學習正是研究如何以很少的標注數據達到傳統深度學習的效果。現有小樣本學習主要包括基于元學習的方法和基于微調的方法2大類。基于元學習的方法旨在訓練模型獲得任務無關的學習能力。GIDARIS等^［9］提出一種基于注意力的權重生成器為新的圖像分類任務生成權重；WANG等^［10］構建了一種任務感知的feature embedding，為特征提取層生成權重。

在用于目標檢測任務時，元學習在小樣本數據集上訓練，數據集分為支持集和查詢集，通過共享權重的孿生網絡^［11］同時提取支持圖像和查詢圖像的特征，在分類網絡中依照支持集的特征調整查詢集的網絡參數，最后達到檢測查詢圖片中位置框和類別的效果。孿生結構是一種監督學習結構，共享的網絡權重意味著訓練需要更少的參數，也就意味著需要更少的數據并且不容易過擬合。而對于相同類型的輸入，使用類似的模型來處理類似的輸入是有意義的。FSRW^［12］基于YOLOv2模型進行小樣本問題改進，利用支持圖片的注意力向量融合查詢圖片特征向量，得到了輕量級的識別模型。而Meta RCNN^［13］基于經典兩階段目標檢測框架Faster RCNN^［14］，利用RPN網絡產生proposal，在RoI Pooling層融合小樣本支持圖片特征，增強模型識別新類的能力。DCNet^［15］在Faster RCNN的基礎上，采用知識蒸餾的方法，在孿生網絡提取支持集和查詢集的特征后進行特征融合。在transformer進軍目標檢測領域后，小樣本問題也有了相關的應用。Meta-DETR^［16］利用transformer編碼解碼框架融合支持集和查詢集特征，進一步提高了小樣本的檢測精度。而微調的方法旨在通過更為簡單的訓練和模型結構，進行小樣本新類識別，大規模訓練后，凍結模型部分參數，只需要在同時包含小樣本基類和新類的數據集上調整未凍結模型的參數即可。TFA^［17］是目前較為出色的微調框架，在微調階段，利用包含小樣本基類和新類的數據集，僅調整定位和分類模塊，即不改變預訓練環節特征的提取池化學習參數，默認模型已經獲得足夠的特征處理能力。De FRCN^［18］是一種解耦的Faster RCNN模型，通過對模型梯度傳播的解耦來微調參數，進一步提升了小樣本目標檢測的識別精度。小樣本研究興起后，在國內相關電力行業也得到了應用。馬鵬等^［19］改進了SSD算法，利用5個類別、200張變電站設備圖片作訓練集，實現了小樣本復雜環境下的電力設備分類定位。陸繼翔等^［20］采用微調方法，利用GAN網絡擴充樣本，在絕緣子脫離、導線斷股等巡檢故障檢測方面做了嘗試。本文提出將孿生網絡小樣本模型應用于電力行業目標檢測，并在電力數據集上進行驗證分析，證明小樣本檢測在電力行業中對數據痛點有相當重要的意義。

1 孿生網絡模型算法流程

模型的整體流程如圖1所示。圖片輸入由支持圖片和查詢圖片并行輸入，共同進入權重共享的特征提取網絡，也就是孿生網絡。RPN利用給定支持圖片實例的信息，過濾出查詢圖片中潛在目標的proposal，proposal在最后的檢測頭完成類別和位置的回歸。為了圖片簡潔，孿生網絡只繪制了1個支持圖片分支。在真實的模型中，對于N個類別的訓練，每個類別都會擴展出自己的分支，獨立分支中的RPN進行對應類別潛在proposal的過濾。

1.1 改進的proposal產生策略

RPN輸入為backbone的輸出特征，輸出為一系列proposal，每個proposal對應一個是否為前景目標的得分。RPN的總體結構如圖2所示。

原理上，RPN在目標檢測中的作用是產生潛在的proposal，為網絡下游的分類和回歸任務做準備。理想的情況是，RPN在產生proposal的時候，判斷標準為該潛在目標是否支持集圖片中包含的目標類別，而不是僅僅進行前景和背景的區別（即簡單的二分類）。然而，Faster RCNN采用的RPN網絡只是盲目地在圖片及其特征層中尋找任何潛在的目標，這其中包含不屬于支持集圖片的目標類別，因而產生大量冗余的proposal，為下游分類回歸任務帶來了更加龐大的工作量。同時，因為支持集的目標類別數量遠少于

真實環境中存在的目標類別，導致在RPN產生的proposal中有效潛在proposal占比低，RPN的輸出質量差，可能給后續分類任務帶來了更大的誤差^［21］。

究其原因，是因為RPN在產生proposal時沒有充分利用支持集圖片的特征，才產生了大量無關的proposal。本文改進了一種自適應目標類別的RPN網絡，引導RPN產生proposal時著重關注和支持集有關的目標類別，抑制無關類別目標，減少產生的proposal數量和下游工作量。自適應改進的原理如圖3所示。

定義支持集的特征為X∈t^S×S×C，查詢集的特征為Y∈t^H×W×C，支持集的特征X被池化（average）到維度為1×1×C。查詢集的特征層和支持集的池化特征按照通道維度進行卷積操作，計算兩者的相似特征G：

式中：X為支持圖片經過backbone提取的特征，S×S×C為其維度；Y為查詢圖片特征，H×W×C為其維度。相似特征G即為該模塊得到的自適應特征圖，將其輸入RPN用于產生目標關聯的proposal。這里的X相當于一個卷積核在對應通道上對查詢集進行滑動卷積操作。在邊緣提取等卷積操作中，通過設計不同的卷積核在圖片中進行滑動卷積，提取出圖片特征中與卷積核結構類似的區域。支持圖片特征X，視為從不同支持圖片中分別“精心設計”的卷積核，在對不同類別支持圖片進行訓練時，采用不同“設計”結構的卷積核，提取查詢圖片中相似結構的區域，得到的卷積結果就是自適應特征G。G作為補充信息輸入到RPN網絡，產生相應于支持集圖片目標類別的proposal。值得一提的是，經過池化操作的X在本文中維度取1×1×C。原因為X的長和寬2個維度經過實驗測試后，取值為1時效果最好。可行的解釋是當支持集特征池化為1×1后，更好地代表了目標類別的全局特征，用該維度的支持圖片特征X在查詢集上做卷積，相當于衡量查詢集圖片各個部分和目標類別的特征相似度。

1.2 檢測頭分類與定位

RPN產生proposal后，通常需要一個檢測頭對proposal進行目標種類得分計算，并進行分類。這一步是孿生網絡進行小樣本檢測的關鍵步驟。

良好的模型要求一個檢測頭具有很強的小樣本下辨別不同類別的能力。在本研究的孿生網絡中，支持圖片和查詢圖片同時輸入特征提取網絡，產生proposal后在檢測頭上進行特征關聯與匹配。采用的多關聯檢測頭如圖4所示。

檢測頭包含3個模塊：全局關聯、局部關聯和交叉關聯。全局關聯學習支持集和查詢集在圖片尺度上的全局特征匹配關系，局部關聯更加關注于兩者在對應像素級別和通道上一對一的特征匹配，交叉關聯是對局部關聯的補充，衡量支持圖片和查詢圖片一對多的像素級別匹配關系，有助于解決支持和查詢圖片的空間錯位（即目標在支持圖片和查詢圖片中位置不同）問題。

2 損失函數及模型訓練過程

本文算法測試平臺硬件環境為雙卡NVIDIA GeForce RTX 3060 TiGPU，軟件環境為Python 3.7，Pytorch 1.9.0，Torchvision 0.10.0，CUDA11.1，CuDNN 8.0.5。

2.1 損失函數

不同于計算機視覺中的圖像分類任務，目標檢測任務既需要完成對proposal目標的類別分類，也需要將類別的矩形位置框坐標進行回歸。相應的輸出變量也是由并行的2個輸出層完成的。第1個輸出層輸出為1個離散的類別可能性置信度，p=（p0，p1，…，pK），對應于K個類別，有（K+1）個輸出，包含K個類別的置信度和proposal屬于背景的置信度。這里的置信度p是由（K+1）個FClayer輸出通過softmaxlayer得到的，而后一個輸出為目標位置邊界框的偏移量。對于第K個目標類別來說，偏移量tk=（tkx，tky，tkw，tkh），這里的tk并不是指回歸目標邊界框的絕對位置坐標，而是在RPN產生的對應proposal位置坐標上的變換參數。

每個訓練的RoI（region of interest））都有一個真實類別標簽u和真實的位置框回歸向量g。對于上述提到的目標檢測任務，本文以RoI為單位采用多任務損失函數^［22］進行類別標簽和邊界框的回歸訓練：

式中Lcls（m，u）=-log mu，是對于類別標簽u的log損失。

而對于邊界框的回歸損失則定義如下：定義目標類別u邊界框的真值變量g=（gx，gy，gw，gh）和預測的邊界框位置變量pu=（pux，puy，puw，puh）。

這里的u指的是目標類別預測的結果，u=0指的是訓練樣本中該proposal框定的目標不是支持集中的目標類別，而是背景，也就是說在第1個分類任務中已經出現了偏差，所以這里的回歸誤差沒有意義。

2.2 模型訓練過程

目標檢測中常用的衡量訓練效果的指標有查準率（Precision）、召回率（Recall）、平均精度（AP）、平均精度均值（mAP）。定義TP為正確預測的正樣本，FN為錯誤預測的負樣本，FP為錯誤預測的正樣本，上述評價指標如下：

孿生網絡模型訓練分為2個階段。預訓練階段，在公開的標準大規模數據集上進行迭代訓練，使得模型獲得針對多類別圖像的提取特征的能力。本文依據公認的mAP評價指標評價預訓練的程度，在COCO數據集上預訓練mAP達到24.0。再訓練階段，在EDP數據集上調整網絡參數。ResNet的基本結構由4個layer組成，再訓練階段凍結了Resnet前2個layer的權重，用EDP數據集信息調整后2個layer和全連接分類層，達到遷移數據集的目的。

3 結果分析

為客觀評價本文改進的孿生網絡模型在小樣本領域的性能優劣，將模型在公開數據集VOC上進行了小樣本測試。表1為VOC split1 5個新類的多算法效果對比（表中1 shot指的是在新類訓練時，僅使用1張圖片進行微調訓練，以此類推，2 shot，3 shot，5 shot，10 shot表示在微調訓練時，有2，3，5，10張圖片作為新類的訓練集）。

由表1可以看出，本文采用模型相較于網絡MetaDet^［23］模型算法效果有了明顯提升。而和Meta RCNN^［13］相比，本文改進后的結構在1 shot和2 shot上效果明顯好于Meta RCNN，而在3 shot，5 shot和10 shot仍保持2個點左右的性能優勢。k shot情況下，k值越小，問題定義的小樣本程度越嚴格。可見，相比于Meta RCNN，本文改進的孿生網絡模型具有更加優越的小樣本性能。從原理上分析，Meta RCNN用支持集的特征圖來調整詢問集的RoI池化模塊，使網絡對小樣本類別更敏感。而本文改進的孿生網絡模型在產生proposal的RPN層利用了支持圖片的特征和查詢圖片提取相似度，從而產生了更精準、高質量的proposal，相較于Meta RCNN，更早地利用了支持集特征，避免了對于無效以及背景目標RoI的處理，提高了模型效率。本文改進的孿生網絡模型和TFA相比，結果略差，但是值得一提的是，TFA^［17］采用R-101作為提取特征的backbone，性能的提升帶來模型結構和計算資源的代價，相比之下，本文改進的孿生網絡模型采用R-50的backbone更具有輕量性的優勢。

相比于標準數據集，算法的實際應用與落地性能仍然需要驗證。故本文在自主構建的EPD數據集上進行了真實場景驗證。實驗采用自主構建的電力檢測數據集EPD進行算法驗證和效果分析。EPD數據集包含了鳥巢異物、正常聚合物絕緣子、絕緣子掉串、缺陷絕緣子、正常玻璃絕緣子5個類別。其中，鳥巢異物類別圖片均由真實場景拍攝而得，絕緣子掉串圖片由缺陷絕緣子與電力系統圖片合成所得，玻璃絕緣子和其他金屬器具由實驗室場景拍攝而得。數據集劃分為訓練集和測試集，根據小樣本問題的特殊性，訓練集小于測試集，訓練所需的10張支持圖片隨機從訓練集中產生。數據集部分圖像如圖5所示。

表2展示了EPD數據集中進行電力檢測的實驗結果，測試結果的可視化效果如圖6所示。

由表2可知，本文提出的模型在需要檢出的鳥巢異物、絕緣子掉串、彎折絕緣子故障類型中的AP性能分別為22.9%，25.8%和18.1%，均高于正常聚合物/玻璃絕緣子類別的16.5%和11.3%，顯示出模型對異常類別的敏感性，尤其是對于絕緣子掉串，具有很好的故障檢出能力。從圖6中可以看到，檢出圖片對于真實拍攝的鳥巢和絕緣子掉串類別分類正確，邊界框清晰合理。對于虛擬圖像生成的正常類別效果一般，從側面說明了盡管小樣本問題降低了對于數據的數量要求，但數據質量仍然是決定學習類方法效果的重要因素。因為模型在實際應用中更看重檢出，而不是AP指標看重的IoU。5個類別檢測的mAP達到18.92%，證明了該模型有一定的應用前景。

4 結 語

1）本文提出了一種基于改進RPN的孿生網絡小樣本檢測方法。利用孿生網絡提取的支持圖片集合特征，產生目標關聯特征，在RPN模塊增強了proposal的質量。

2）與其他算法在VOC數據集上比較測試的結果表明，在極端小樣本情況下，本文提出的模型性能優良，同時具有更加輕量化的優勢。同時，在自主構建的EDP電力數據集上，mAP達到18.92%，滿足一定的應用需求，可解決電力行業在巡檢工作中效率不高的問題。

本文研究的孿生網絡小樣本模型，在實際應用方面仍然和成熟的大數據集目標檢測方法存在一定的差距。今后在小樣本電力檢測研究方面，還要在排除復雜環境對檢測目標干擾、探索新的模型評價方法、彌補訓練樣本和測試樣本之間的差距等方面進行更為深入的探討。

參考文獻/References：

［1］ 孫博，王阿川.融合深度特征和FHOG特征的尺度自適應相關濾波跟蹤算法［J］.河北科技大學學報，2021，42（6）：591-600.

SUN Bo，WANG Achuan.Scale-adaptive correlation filter tracking algorithm fusing depth features and FHOG features［J］.Journal of Hebei University of Science and Technology，2021，42（6）：591-600.

［2］ 代杰杰，宋輝，楊祎，等.基于油中氣體分析的變壓器故障診斷ReLU-DBN方法［J］.電網技術，2018，42（2）：658-664.

DAI Jiejie，SONG Hui，YANG Yi，et al.Dissolved gas analysis of insulating oil for power transformer fault diagnosis based on ReLU-DBN［J］.Power System Technology，2018，42（2）：658-664.

［3］ 魏東，龔慶武，來文青，等.基于卷積神經網絡的輸電線路區內外故障判斷及故障選相方法研究［J］.中國電機工程學報，2016，36（sup1）：21-28.

WEI Dong，GONG Qingwu，LAI Wenqing，et al.Research on internal and external fault diagnosis and fault-selection of transmission line based on convolutional neural network［J］.Proceedings of the CSEE，2016，36（sup1）：21-28.

［4］ SERGIO A T，LUDERMIR T B.Deep learning for wind speed forecasting in northeastern region of Brazil［C］//2015 Brazilian Conference on Intelligent Systems （BRACIS）.Natal Brazil：IEEE，2015：322-327.

［5］ 李爭，王澤，馮威，等.基于CNN與K-means聚類的非侵入式電器負荷識別方法［J］.河北科技大學學報，2022，43（4）：365-373.

LI Zheng，WANG Ze，FENG Wei，et al.Non-intrusive electrical appliance load identification method based on CNN and K-means clustering［J］.Journal of Hebei University of Science and Technology，2022，43（4）：365-373.

［6］ LIU Wei，ANGUELOV D，ERHAN D，et al.SSD：Single shot MultiBox detector［C］//2016 Computer Vision-ECCV.Cham：Springer，2016：21-37.

［7］ REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once：Unified，real-time object detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Las Vegas：IEEE，2016：779-788.

［8］ GIRSHICK R，DONAHUE J，DARRELL T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation［C］//2014 IEEE Conference on Computer Vision and Pattern Recognition.Columbus：IEEE，2014：580-587.

［9］ GIDARIS S，KOMODAKIS N.Dynamic few-shot visual learning without forgetting［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：4367-4375.

［10］WANG Yuxiong，RAMANAN D，HEBERT M.Meta-learning to detect rare objects［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul Korea （South）：IEEE，2019：9924-9933.

［11］BROMLEY J，GUYON I，LECUN Y，et al.Signature verification using a "Siamese" time delay neural network［C］//Proceedings of the 6th International Conference on Neural Information Processing Systems.Denver Colorado：Morgan Kaufmann Publishers Inc，1993：737-744.

［12］KANG Bingyi，LIU Zhuang，WANG Xin，et al.Few-shot object detection via feature reweighting［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul Korea （South）：IEEE，2019：8419-8428.

［13］YAN Xiaopeng，CHEN Ziliang，XU Anni，et al.Meta RCNN：Towards general solver for instance-level low-shot learning［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）.Seoul Korea （South）：IEEE，2019：9576-9585.

［14］REN Shaoqing，HE Kaiming，GIRSHICK R，et al.Faster RCNN：Towards real-time object detection with region proposal networks［C］//Proceedings of the 28th International Conference on Neural Information Processing Systems. Montreal：MIT Press，2015：91-99.

［15］HU Hanzhe，BAI Shuai，LI Aoxue，et al.Dense relation distillation with context-aware aggregation for few-shot object detection［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.Nashville：IEEE，2021：10180-10189.

［16］ZHANG Gongjie，LUO Zhipeng，CUI Kaiwen，et al.Meta-DETR：Image-levelfew-shot detection with inter-class correlation exploitation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2022.DOI：10.1109/TPAMI.2022.3195735.

［17］WANG Xin，HUANG T E，DARRELL T，et al.Frustratingly simple few-shot object detection［C］//Proceedings of the 37th International Conference on Machine Learning.Virtual Event：PMLR，2020：9919-9928.

［18］QIAO Limeng，ZHAO Yuxuan，LI Zhiyuan，et al.DeFRCN：Decoupled faster RCNN for few-shot object detection［C］//2021 IEEE/CVF International Conference on Computer Vision （ICCV）.Montreal：IEEE，2021：8661-8670.

［19］馬鵬，樊艷芳.基于深度遷移學習的小樣本智能變電站電力設備部件檢測［J］.電網技術，2020，44（3）：1148-1159.

MA Peng，FAN Yanfang.Small sample smart substation power equipment component detection based on deep transfer learning［J］.Power System Technology，2020，44（3）：1148-1159.

［20］陸繼翔，李昊，徐康，等.基于遷移學習的小樣本輸電線路巡檢圖像處理方法［J］.全球能源互聯網，2019，2（4）：409-415.

LU Jixiang，LI Hao，XU Kang，et al.Defect recognition using few-shot learning and transfer learning for transmission line inspection images［J］.Journal of Global Energy Interconnection，2019，2（4）：409-415.

［21］FAN Qi，ZHUO Wei，TANG C K，et al.Few-shot object detection with attention-RPN and multi-relation detector［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.Seattle：IEEE，2020：4012-4021.

［22］GIRSHICK R.Fast RCNN［C］//2015 IEEE International Conference on Computer Vision （ICCV）.Santiago：IEEE，2015：1440-1448.

［23］VINYALS O，BLUNDELL C，LILLICRAP T，et al.Matching networks for one shot learning［C］//Proceedings of the 30th International Conference on Neural Information Processing Systems.Barcelona：Curran Associates Inc，2016：3637-3645.