摘要

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。

权利要求

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

专利图片