申请/专利权人：大连理工大学

申请日：2021-01-16

公开（公告）日：2021-05-07

公开（公告）号：CN112766147A

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：2022.10.14#授权;2021.05.25#实质审查的生效;2021.05.07#公开

摘要：本发明属于计算机视觉领域，涉及一种基于深度学习的错误动作定位方法。具体步骤包括训练动作识别模型、搭建Action‑CAM网络、将Action‑CAM网络插入动作识别模型、测试错误动作。本发明利用深度学习技术进行错误动作定位，在传统方法中纠正人体错误动作需要人力完成，本发明利用深度学习技术，智能化的定位了人体错误的部位。本发明是一种不需要额外训练错误动作的错误动作定位方法，用训练了正确动作的动作识别模型和本发明提出的Action‑CAM网络组合进行错误动作定位，节省了大量的训练成本。

主权项：1.一种基于深度学习的错误动作定位方法，其特征在于，具体步骤如下：步骤一、训练动作识别模型以正确的动作为数据集，所述的数据集中应包含多种正确且标准的动作，用数据集对动作识别模型进行训练；所述的动作识别模型，输入为动作视频，分类网络为基于3DCNN的动作识别网络，包括卷积层，池化层和激活层等，输出为标记了动作种类的视频；步骤二、搭建Action-CAM网络在步骤一所述的动作识别模型中，设c为错误动作的种类，为第n层特征图上第i，j点像素值，为动作识别模型中第n层网络的第k层特征图对应的权重，求得第n层的热点图为： 其中的值由像素权重和像素梯度经过NReLU的激活值加权相乘而来： 其中NReLU表达式为式3，函数图像如图2所示：NReLU＝fx＝minx，03由于： 其中Yc表示最终目标动作的置信度得分，经过求Yc关于偏导数，得到表达式： 其中a，b为与i，j在同一特征图中不同的像素点，在动作识别模型采用Softmax激活时，最终目标动作的置信度得分Yc为： 其中Sc表示Softmax输入层目标动作的得分，Sk表示Softmax输入层第k类动作的得分；由于链式法则： 以及Yc关于高阶偏导数：一阶导数： 二阶导数： 三阶导数： 此时求得每一层的热点图统一尺度后累加得到最终的热点图；步骤三、将Action-CAM网络插入步骤一中的动作识别模型在步骤二中的Action-CAM网络插入步骤一的动作识别模型中，插入方式为在动作识别模型的网络中每一个池化层后面添加Action-CAM网络，得到错误动作定位模型，将步骤二Action-CAM网络得到的最终热点图与输入的动作视频的每一帧合并；步骤四、测试错误动作将错误的动作拍摄为视频，输入到步骤三得到的错误动作定位模型中，模型输出的视频中，包含原视频以及热点区域，热点区域则为错误动作的部位。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于深度学习的错误动作定位方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD