申请/专利权人：贵州大学

申请日：2024-01-18

公开（公告）日：2024-04-16

公开（公告）号：CN117894073A

主分类号：G06V40/20

分类号：G06V40/20;G06V10/62;G06V10/82;G06N3/045;G06N3/042;G06N3/0464;G06N3/049;G06N3/08;G06F17/13

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种基于常微分方程的时空图神经网络动作识别方法，由下述模块构成：数据预处理模块、邻接矩阵模块、图神经常微分方程模块、残差模块预测模块，本发明通过构造空间和语义模式下的双层网络结构，实现了对动作行为的多维度识别；同时在时间方向上引入了积分环节，增加了对一段时间内动作连续性的考虑。本发明方法不仅具备高准确性和稳定性，还具有良好的泛化能力和实时性，为虚拟现实、运动分析、人机交互等领域的应用提供了一种先进、可靠的解决方案。

主权项：1.一种基于常微分方程的时空图神经网络动作识别方法，其基于常微分方程的时空图神经网络来实现其功能，其特征在于，所述的基于常微分方程的时空图神经网络由下述模块构成：数据预处理模块，用于对输入的3D骨骼数据进行预处理，实现针对3D骨骼数据的标准化和归一化输出，其与邻接矩阵模块连接；邻接矩阵模块，用于将数据预处理模块的输出结果输入软件计算出空间邻接矩阵进；将将数据预处理模块的输出结果利用基于动态时间规整算法进行动作类别相似度计算，得到语义邻接矩阵；其与图神经常微分方程模块连接；图神经常微分方程模块，用于将邻接矩阵模块获得的空间邻接矩阵和语义邻接矩阵输入实现对动作特征的提取，其分别与邻接矩阵模块和预测模块相连，所述的图神经常微分方程模块由两层并联网络构成，第一层由积分器、求解器和第一时间卷积网络串联而成，第二层由图卷积网络和第二时间卷积网络串联而成；所述的积分器用积分函数进行实现，产生对输入数据进行时间维度的积分得到解函数；所述的求解器用常微分方程求解器进行实现，用于解函数对时间特征的数值求解；所述的图卷积网络为图神经网络GNN或GCN，用于动作特征的提取；残差模块，用于通过跃层连接直接将数据预处理模块的输出结果跃过所在层，传至预测模块输入端进行数据融合处理获得融合数据；所述的残差模块为Rule层，其分别连接数据预处理模块的输出端与预测模块输出端；预测模块，用于获取融合数据后实现动作特征的分类，其与图神经常微分方程模块和残差模块连接，所述预测模块由一个池化层连接一个全连接层构成。

全文数据：

权利要求：

百度查询： 贵州大学 基于常微分方程的时空图神经网络动作识别方法

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