申请/专利权人：浙江大学

申请日：2023-10-23

公开（公告）日：2024-01-16

公开（公告）号：CN117409477A

主分类号：G06V40/20

分类号：G06V40/20;G06V10/80;G06V10/52;G06V10/62;G06V10/44;G06V10/77;G06V10/82;G06N3/042;G06N3/0464;G06N3/0455;G06N3/08;G06N3/048

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.02.02#实质审查的生效;2024.01.16#公开

摘要：本发明提出了一种利用图谱散射提取特权知识的人体轨迹预测方法，本发明利用图谱散射模块提取特权延拓序列的低频信息作为先验知识，有效改善了特权知识对静态序列的干扰，提高了预测精度；此外，本发明重新设计图谱聚合模块中的频谱重要性分数，观测延拓序列进行图谱融合后，结合图卷积神经网络提取融合序列的时间与空间特征，经过IDCT变换得到最终预测网络输出序列，实现对人体轨迹的预测，有效提升人体轨迹预测模型的精度以及泛化能力，减少了模型计算量，提高了图谱聚合的效率。

主权项：1.一种利用图谱散射提取特权知识的人体轨迹预测方法，其特征在于，包括以下步骤：S1：利用连续人体姿势视频获取观测延拓序列，所述观测延拓序列先经过DCT变换和尺度下降单元，得到预处理后的观测延拓序列；S2：获取一个经过预训练的特权知识学习网络和最终预测网络；特权知识学习网络由图谱散射模块、特权知识学习网络的时空特征编码模块、图谱聚合模块、时空特征解码模块依次级联而成；最终预测网络由图谱散射模块和特权知识模拟器串联后，经过最终预测网络的时空特征编码模块、图谱聚合模块、时空特征解码模块依次级联而成；S3：将预处理后的观测延拓序列输入最终预测网络，由所述图谱散射模块输出所述观测延拓序列的高频分量与低频分量，由特权知识模拟器输出特权延拓序列的模拟低频特征；S4：所述低频分量经过最终预测网络的时空特征编码模块，输出与低频分量对应低频特征；S5：所述低频特征与所述模拟低频特征相加后，再与观测延拓序列的高频分量一起输入到图谱聚合模块，基于打分函数构造可学习的频谱重要性分数，所述频谱重要性分数用于测量每个频谱响应相对于整个频谱的重要性，然后基于频谱重要性分数融合各级频谱响应，进行图谱聚合，输出图谱融合序列；S6：将所述图谱融合序列通过时空特征解码模块后，与预处理后的观测延拓序列相加，得到最终预测网络的残差序列；对所述残差序列作IDCT变换得到最终预测网络输出序列，实现对人体轨迹的预测。

全文数据：

权利要求：

百度查询： 浙江大学 利用图谱散射提取特权知识的人体轨迹预测方法

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。

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