申请/专利权人:河南职业技术学院
申请日:2020-06-11
公开(公告)日:2020-09-18
公开(公告)号:CN111680643A
主分类号:G06K9/00(20060101)
分类号:G06K9/00(20060101);G06K9/62(20060101);G06N3/04(20060101);G06N3/08(20060101)
优先权:
专利状态码:有效-授权
法律状态:2023.06.02#授权;2020.10.20#实质审查的生效;2020.09.18#公开
摘要:本发明属于视频人体行为检测方法技术领域,具体是一种基于弱监督互补学习的人体行为检测方法,包括建立基于卷积神经网络构的弱监督网络模型、提取带有嵌入特性的特征表示及显著加权特征、根据特征表示及显著加权特征获取初始的预测结果、利用互补消除模型获取消除后的预测结果、将消除后的预测结果与未通过消除的初始的预测结果进行融合,获取最终预测结果。本发明通过对时域激活映射模型进行改进,并采用互补消除模块对数据进行修正,提升弱监督学习检测方法中的准确性。
主权项:1.基于弱监督互补学习的人体行为检测方法,其特征在于,包括以下步骤:S1:建立基于卷积神经网络构的弱监督网络模型;弱监督网络模型中包括具有嵌入特性的时域激活映射模型和互补消除模型;时域激活映射模型包括时域激活映射层和位于时域激活映射层之后的卷积层C1,时域激活映射模型实现在线的时域激活映射完成对动作发生的起始时间的捕获;S2:提取带有嵌入特性的特征表示及显著加权特征;提取待检测视频的原始特征,将原始特征输入时域激活映射模型,输出带有嵌入特性的特征表示,提取特征表示的显著加权特征;S3:根据特征表示及显著加权特征获取初始的预测结果;将步骤S2所得显著加权特征输入分类器并获取初始的预测结果;预测结果包括行为类别和起止时间;S4:利用互补消除模型获取消除后的预测结果;具体为:S4.1:采用互补消除模型对步骤S2所得显著加权特征进行互补消除,提取消除后的嵌入特征;S4.2:将步骤S4.1所得嵌入特征输入时域激活模型及互补分类器,获取消除后的预测结果;S5:将消除后的预测结果与未通过消除的初始的预测结果进行融合,获取最终预测结果。
全文数据:
权利要求:
百度查询: 河南职业技术学院 基于弱监督互补学习的人体行为检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。