申请/专利权人：电子科技大学

申请日：2023-12-29

公开（公告）日：2024-03-26

公开（公告）号：CN117765476A

主分类号：G06V20/52

分类号：G06V20/52;G06V10/44;G06V10/80;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明公开了一种可持续学习的机场场面活动分析方法，属于机场场面智能运控及视频处理技术领域。本发明包括：采集包含场面活动的视频数据并进行人工标注；对原始视频进行预处理；构建类别增量任务序列；构建特征提取模块获取视频的时空特征；构建时序编码器，对特征序列进行编码；构建分类器，完成对场面活动的在线分析；构建下采样模块，对当前任务视频进行信息最优下采样；下采样样本前向传播，保存与任务样本特征最接近的下采样视频；根据此任务是否为最终任务决定是否终止。本发明在极少的内存消耗与算力消耗下，通过信息最优下采样与特征距离最近分类，克服了持续学习过程中出现的灾难性遗忘现象，有效提高机场场面智能化运控能力。

主权项：1.一种可持续学习的机场场面活动分析方法，其特征在于，包括以下步骤：步骤1：收集包含机场场面活动的若干视频数据，并人工对数据进行标注，标明场面活动出现的起止时间以及活动类别，得到原始视频数据集；步骤2：对原始数据集进行图像预处理和数据增强处理，构建训练集；步骤3：根据预先设定的任务数量，基于训练集构建类别增量任务序列，得到包含不重叠任务训练样本的多任务训练集；步骤4：基于预训练的TSNTemporalSegmentNetworks网络针对光流和RGB流分别构建特征提取模块，提取类别增量任务序列的当前任务训练样本的时间特征与空间特征，得到当前任务训练样本的任务特征序列；步骤5：构建基于自注意力机制的时序编码器，将步骤4中得到的当前任务特征序列输入时序编码器进行编码，得到包含时间和空间信息的编码序列特征；步骤6：构建分类器，将步骤5中得到的编码序列特征输入分类器得到场面活动分析的分类结果，并利用损失函数对活动分析模型的模型参数进行优化；其中，活动分析模型包括特征提取模块、基于自注意力机制的时序编码器和分类器，且优化时特征提取模块的网络参数不更新；步骤7：构建下采样模块，对当前任务训练集以稀疏采样的方式进行信息最优下采样，得到当前任务每个视频包含信息最多的下采样视频；步骤8：将最优下采样样本输入活动分析模型进行前向传播，得到输出特征，根据预先设定的内存容量，选择与该任务样本输出特征最接近的下采样视频保存；步骤9：若此任务非最后任务，则将当前任务样本丢弃，返回步骤4，使用下一任务训练集与步骤8中保存的最优下采样视频进行联合训练，直至最后任务停止迭代。

全文数据：

权利要求：

百度查询： 电子科技大学 一种可持续学习的机场场面活动分析方法

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