申请/专利权人：电子科技大学

申请日：2021-02-26

公开（公告）日：2021-06-08

公开（公告）号：CN112926453A

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：2022.08.05#授权;2021.06.25#实质审查的生效;2021.06.08#公开

摘要：本发明公开了基于运动特征增强和长时时序建模的考场作弊行为分析方法，属于视频行为识别领域和深度学习领域，首先收集数据集，再对数据进行行为类别的标注并将视频流提取为图像帧，基于运动特征增强的方法提升模型对运动目标的捕获能力，通过特征谱移位方式进行帧之间的信息融合，基于时序金字塔的方法对长时的时序关系进行建模，完成识别模型的搭建；然后根据数据集获得的图像采用Xavier方法对行为识别分类模型进行初始化，采用分段抽取的方式获得视频帧的采样序列，基于分类模型的损失函数进行迭代到预设迭代次数，完成模型的训练，最后使用通过抽样获得的视频帧序列进行推理测试，得到具体的行为类别结果。

主权项：1.基于运动特征增强和长时时序建模的考场作弊行为分析方法，其特征在于，包括以下步骤：步骤A：收集考场监控视频数据，提取出其中的作弊行为片段并标注作弊类型标签，将每个样本的视频帧以图片的形式保存在同一个文件夹中；步骤B：将运动特征加强模块插入到骨干网络，运动特征加强模块将会获得当前特征谱的每个通道的不同的权重，该权重作用到原始特征谱上将对原始的特征谱进行运动特征增强，长时时序建模模块将对不同帧的结果向量进行融合，实现长时时序的信息融合，完成行为识别模型的搭建；步骤C：使用分段抽取的方式获得视频帧的采样序列，根据视频帧序列采用Xavier方法对分类模型进行初始化，基于分类模型的损失函数进行迭代到预设迭代次数，完成行为识别模型的训练；步骤D：使用新的视频帧采样序列进行推理测试，基于训练好的行为识别模型得到最终的行为分类结果。

全文数据：

权利要求：

百度查询： 电子科技大学 基于运动特征增强和长时时序建模的考场作弊行为分析方法

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