专利类型:发明创造
发明设计人:舒祥波;徐斌倩;葛晓静
主分类号 : G06V40/20
申请号: CN202111676997.9
申请日: 2021.12.31
申请人:南京理工大学
申请人地址:210094 江苏省南京市孝陵卫200号
授权公告号:CN114511924A
公告日:2022.05.17
代理人 :
代理机构 :
本发明提出一种基于自适应增广与表示学习的半监督骨骼动作识别方法,包括:输入包含关节、骨骼和差分的原始骨架序列,通过自适应增强模块的增强变换矩阵将其转换为增强骨架序列;通过残差卷积编码器中的残差图卷积网络分别学习增强骨架序列和原始骨架序列中三类数据各自的表示,然后对两组骨架序列中三类数据进行融合并进行统一表示学习,得到增强和原始时空动作特征表示;将增强和原始时空动作特征分别输入到多层感知机MLP获取推拉式对比损失,再通过全连接层获取计算识别损失;推拉式对比损失和识别损失相结合作为X-CAR损失,对自适应增强模块和残差图卷积编码器进行学习训练。本方法可有效提高基于半监督骨架的动作识别精度。
1.一种基于自适应增广与表示学习的半监督骨骼动作识别方法,其特征在于,包括以下步骤:/n步骤1,输入包含关节、骨骼和差分的原始骨架序列,通过自适应增强模块的增强变换矩阵将其转换为增强骨架序列;/n步骤2,通过残差卷积编码器中的残差图卷积网络分别学习增强骨架序列和原始骨架序列中关节、骨骼和差分三类数据各自的表示,然后对两组骨架序列中三类数据进行融合并进行统一表示学习,得到增强时空动作特征和原始时空动作特征表示;/n步骤3,将增强时空动作特征和原始时空动作特征分别输入到MLP模块中获取推拉式对比损失,再通过全连接层获取计算识别损失;/n步骤4,将推拉式对比损失和识别损失相结合作为X-CAR损失,同时对自适应增强模块和残差图卷积编码器进行学习训练。/n
服务电话:025-83707623
地址:江苏省南京市白下区光华路1号
E-mail:jszyzx_njust@126.com | 邮政编码:210014
关注微信号
版权所有 2007-2019 南京理工大学技术转移中心
地址:江苏省南京市孝陵卫街200号 | 苏ICP备11035779号
邮政编码:210094