申请/专利权人：北京理工大学

申请日：2024-01-19

公开（公告）日：2024-04-16

公开（公告）号：CN117892199A

主分类号：G06F18/241

分类号：G06F18/241;G06F18/214

优先权：

专利状态码：在审-公开

法律状态：2024.04.16#公开

摘要：本发明公开的一种基于局部损失的多角度联合的活动识别分类方法，属于活动识别分类领域。本发明实现方法为：通过对局部相似度匹配损失函数和局部焦点损失函数加权融合；针对少样本数量活动类别的难分类特点，在每次训练时，计算并提高少样本活动类的损失值，以增大基准模型对少样本类别的重视程度，进而改进活动识别领域中的类间样本不平衡问题。本发明将基准模型决策边界的形成过程通过将三层卷积层与一层全连接层分块化训练来实现，局部相似度匹配损失函数针对卷积层的输出使用，局部焦点损失函数针对与卷积层搭配的局部线性连接层的输出使用，能够在保证活动识别分类性能的前提下实现模型参数轻量化，提高模型训练过程中硬件内存重用率。

主权项：1.一种基于局部损失的多角度联合的活动识别方法，其特征在于：包括如下步骤，步骤一、设计局部相似度匹配损失函数模块；通过局部相似度匹配损失函数模块将每层卷积层的输出进行尺度变换并计算输出特征图与样本标签各自的相似矩阵SF，SY，并比较SF和SY的均方误差，得到局部相似度匹配损失match；match＝MSESF，SY将每层卷积层的输出进行尺度变换的方法为：将卷积层的3-D特征图进行数据降维至2-D，得到特征图计算输出特征图的相似矩阵SF的方法为：对上述经过尺度变换后的特征图F2D计算均值和方差，然后让特征图减去均值，再除以方差值，得到归一化处理后的结果F2D_normalizaiton，再对F2D_normalizaiton进行矩阵转置，得到F2D_normalizaiton_t，将F2D_normalizaiton与F2D_normalizaiton_t进行矩阵相乘，得到特征图的相似矩阵SF；计算样本标签的相似矩阵SY的方法为：首先对样本标签Y∈Rbatch进行独热编码，得到独热码标签Y_onehot∈Rbatch×n，再对独热码标签Y_onehot求均值与方差，进行减均值除方差的归一化处理，得到Y_onehot_normalization，再对Y_onehot_normalization进行矩阵转置，得到Y_onehot_normalization_t，终将Y_onehot_normalization与Y_onehot_normalization_t进行矩阵相乘，得到样本标签的相似矩阵SY；步骤二、设计局部焦点损失函数模块；通过局部焦点损失函数模块计算局部线性连接层的预测输出与样本标签之间的局部焦点损失focus：focus＝FLY_local，Y步骤三、设计多角度联合损失函数模块；通过多角度联合损失函数模块将局部相似度匹配损失match与局部焦点损失focus加权融合，得到总损失focmat：focmat＝α*match+1-α*focus其中：α为加权系数，通过多次实验设定；步骤四、读取待分类活动数据并构建活动数据集；将数据集划分为训练集、验证集与测试集；步骤五、构建基准模型；所述基准模型以三层卷积层和一层全连接层为中心，且每层卷积层搭配对应了一层局部线性连接层；三层卷积层负责对步骤四所述的活动数据集进行空间特征的提取，得到空间特征向量，全连接层负责对三层卷积层提取到的空间特征向量进行预测输出，得到活动分类结果，完成活动识别任务；将步骤三的多角度联合损失函数模块应用到基准模型中，则每层卷积层输出的空间特征向量不仅会送入后续相连的卷积层或全连接层中，同时也会送入该层卷积层搭配对应的局部线性连接层中，局部线性连接层负责将该卷积层计算得到的空间特征向量进行预测输出，利用卷积层输出与局部线性连接层的预测输出能够直接计算步骤三所述的总损失focmat，使得每层卷积层无需等待整个基准模型计算结束，而是在自身卷积计算完成后，即能够通过对该卷积层与对应局部线性连接层各自权重参数矩阵的优化，实现对基准模型的分块化训练；步骤六、将步骤四的训练集与验证集的数据输入到步骤五构建的模型中，第一层卷积层负责对步骤四所述的训练集中的活动样本进行卷积操作，提取活动样本中的低级空间特征向量，并将所提取到的空间特征向量作为第二层卷积层与第一层卷积层对应的局部线性连接层的输入，第二层卷积层将第一层卷积层的输出再次进行卷积操作，进一步得到更高级抽象的空间特征向量，同时送入第三层卷积层和第二层卷积层对应的局部线性连接层作为输入；第三层卷积层将第二层卷积层输出的空间特征向量在进一步的进行卷积提取和维度精炼，并将输出送入第三层对应的局部线性连接层与全连接层；在通过三层卷积层后得到的具有大感受野的低维空间特征输出作为全连接层的输入，全连接层负责对其预测输出并分类；步骤七、将测试集数据中的活动样本输入到步骤六训练好的基准模型中，输出得到每个活动样本的预测标签，将输出的预测标签结果作为样本对应的活动类别，完成分类；在保证整体活动识别精度的前提下，提高基准模型对少样本活动类别的分类性能，改善活动识别领域中的样本不平衡问题。

全文数据：

权利要求：

百度查询： 北京理工大学 一种基于局部损失的多角度联合的活动识别分类方法

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