CN109165576A - 一种运动状态识别方法及装置 - Google Patents
一种运动状态识别方法及装置 Download PDFInfo
- Publication number
- CN109165576A CN109165576A CN201810889201.XA CN201810889201A CN109165576A CN 109165576 A CN109165576 A CN 109165576A CN 201810889201 A CN201810889201 A CN 201810889201A CN 109165576 A CN109165576 A CN 109165576A
- Authority
- CN
- China
- Prior art keywords
- tensor
- axis
- data
- converted
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种运动状态识别方法及装置,所述方法包括:采集单个传感器各轴序列数据,并将其转换为固定大小的张量;将所述张量输入传感器各个轴的固定时间窗口,通过特征分解获取一组正交基;对所述正交基的张量数据进行主成分提取获得降维后的张量;对局部连续张量进行聚类分析,计算出最接近中心簇的其中一个时间窗口张量,确定局部中心张量;将各轴的张量分别转换为一维张量,合并各轴转换后的一维张量为三维张量;通过卷积神经网络对张量数据进行深度学习,并把单标签任务转化为多标签任务;对于具有m个值的l个特征,用ml个不同概念来表示特征分布式,进行已训练特征的精确分类识别和未训练特征的模糊识别。本发明具有较高的识别准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种运动状态识别方法及装置。
背景技术
虽然使用传感器进行运动状态的识别有天然的优势:数据结构和数据集的小巧性使得基于传感器数据集的运动状态识别在实际的人类生活应用场景中十分的便利。不管使用何种类型的传感器,对于运动状态的识别,都面临着物理系统和相应的使用者、使用环境和系统本身产生噪声的影响,噪声成为了传感器生成数据的一个重要组成部分。实际场景中通过算法准确地区分噪声数据和非噪声数据几乎是不可能的。而且传统的单一模型无法识别噪声。
由于噪声的非线性特性,导致了通常很难使用全局张量聚类算法。同时由于噪声的影响,使得深度学习的特征收敛缓慢慢,进而学习速度缓慢和识别准确率较低。
分类任务往往在处理单标签任务时使用单标签的处理算法,然而单标签算法的扩展性差,即使是处理单标签任务其精度也达不到理想的状态,而在含有非白噪声的情况下,更是难以达到预期目的。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种运动状态识别方法及装置,解决现有技术中运动状态识别准确率第,难以达到预期目的的技术问题。
为解决上述技术问题,本发明所采用的技术方案是:一种运动状态识别方法,所述方法包括如下步骤:
A、采集单个传感器各轴序列数据,并将其转换为固定大小的张量;
B、将所述张量输入传感器各个轴的固定时间窗口,通过特征分解获取一组正交基;
C、对所述正交基的张量数据进行主成分提取获得降维后的张量;
D、对局部连续张量进行聚类分析,计算出最接近中心簇的其中一个时间窗口张量,确定局部中心张量;
E、将步骤D中固定大小各轴的张量分别转换为一维张量,合并各轴转换后的一维张量为三维张量;
F、通过卷积神经网络对步骤E的三维张量数据进行深度学习,并把单标签任务转化为多标签任务;
G、对于具有m个值的l个特征,用ml个不同概念来表示特征分布式,进行已训练特征的精确分类识别和未训练特征的模糊识别。
进一步的,当噪声张量大于等于50%的有用张量时,不进行主成分提取。
进一步的,采用下式对局部连续张量进行聚类分析:
式中:Y1是属于连续时间窗口的其中n个输出张量,Y2是输出张量,Si是假设的n个中心张量中的第i个张量,k是假设中心点个数。
进一步的,所述卷积神经网络中的过滤器权重Wij=Wi-1,j-1+Wfixed是半固定增量式的归一化更新,在每次的迭代训练中随机的选择h个训练张量,计算该训练样本张量的损失项导数,得到一个梯度向量,且参数Wij是通过向梯度方向上的局部最小值移动而递增式的更新;
其中:等式左边的Wij是本次迭代更新的权值张量;等式右边的Wi-1,j-1是前一次迭代更新的权值张量;Wfixed是默认固定式的权值张量。
本发明还提供了一种运动状态识别装置,包括:
独立传感器轴序列数据输入模块:用于采集单个传感器各轴序列数据;
序列-矩阵转换模块:用于将各轴序列数据转换为固定大小的张量;
主成分提取模块:用于将所述张量输入传感器各个轴的固定时间窗口,通过特征分解获取一组正交基,并对所述正交基的张量数据进行主成分提取获得降维后的张量;
K-均值模块:对局部连续张量进行聚类分析,计算出最接近中心簇的其中一个时间窗口张量,确定局部中心张量;
数据预处理模块:用于将步骤D中各轴固定大小的张量分别转换为一维张量,合并各轴转换后的一维张量为三维张量;
任务转化模块:通过卷积神经网络对步骤E的三维张量数据进行深度学习,并将单标签任务转化为多标签任务;
K近邻模块:对于具有m个值的l个特征,用ml个不同概念来表示特征分布式,进行已训练特征的精确分类识别和未训练特征的模糊识别。
进一步的,所述任务转化模块包括两个卷积层、两个池化层、两个全连接层和一个多标签全连接层;其中多标签全连接层是此模块的最后一个全连接层,用于将单标签任务转化为多标签任务。
与现有技术相比,本发明所达到的有益效果是:
1、采用大量数据集训练,具有处理不同含噪声比例能力,在不同含噪比例情况下均能够获取较高的识别准确率,符合实际运用场景;
2、应用了连续局部聚类算法,加快了深度学习收敛速度、学习速度,提高了实时性;
3、既提供了已经训练特征的高精度识别,又提供了未训练特征的模糊识别,从根本意义上实现了半监督的特征分割。
附图说明
图1是本发明提供的运动状态识别装置的结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供的运动状态识别方法,包括如下步骤:
步骤一、采集单个传感器各轴序列数据,并将其转换为固定大小的张量;
步骤二、将所述张量输入传感器各个轴的固定时间窗口,通过特征分解获取一组正交基;在N维空间中,可以找到N个这样的正交基向量,然后用前k个基去近似整个张量空间,使得压缩后的数据损失最小。
步骤三、对所述正交基的张量数据进行主成分提取获得降维后的张量;
所述含有不同程度噪声的处理:将噪声和原始张量看成一个整体。当噪声张量在整体张量占比很小时,在提取主成分过程中噪声对识别准确度的影响被降低,利于后续的特征提取;当噪声接近有用张量的一半甚至更高时(即当噪声张量大于等于50%的有用张量时),不进行主成分提取,而把噪声看成原始张量的一部分,这样就能降低噪声在后续特征提取的影响。
步骤四、对局部连续张量进行聚类分析,计算出最接近中心簇的其中一个时间窗口张量,确定局部中心张量;
正因为是寻找连续局部张量的中心张量,所以采用k均值算法找到的中心张量必定是最优中心张量。算法公式如下:
式中:Y1是属于连续时间窗口的其中n个输出张量,Y2是输出张量,Si是假设的n个中心张量中的第i个张量,k是假设中心点个数。
步骤五、将步骤四中固定大小各轴的张量分别转换为一维张量,合并各轴转换后的一维张量为三维张量;
步骤六、通过卷积神经网络对步骤五的三维张量数据进行深度学习,并把单标签任务转化为多标签任务;
转化为多标签任务的目的是对多个次重要特征进行保留,尤其是在低信噪比的情况下,以便于下一步进行分类识别。
所述卷积神经网络中的过滤器权重Wij=Wi-1,j-1+Wfixed是半固定增量式的归一化更新,在每次的迭代训练中随机的选择n个训练张量,计算该训练样本张量的损失项导数,得到一个梯度向量,且参数Wij是通过向梯度方向上的局部最小值移动而递增式的更新;
其中:等式左边的Wij是本次迭代更新的权值张量;等式右边的Wi-1,j-1是前一次迭代更新的权值张量;Wfixed是默认固定式的权值张量。
步骤七、对于具有m个值的l个特征,用ml个不同概念来表示特征分布式,进行已训练特征的精确分类识别和未训练特征的模糊识别。
对于具有m个值的l个特征,用ml个不同概念来表示特征分布式,能够尽可能多的使用所有的特征空间,使用与线性分类器相结合的分布式表示,输出将是恒定的,尤其是特征张量之间的距离关系,因此提高了泛化能力;也提供了对非训练特征的模糊识别能力。
本发明还提供了一种运动状态识别装置,包括:独立传感器轴序列数据输入模块(Indivdual Sensor Axis Sequence Data Input模块)、序列-矩阵转换模块(Convert ASequence To A Matrix模块)、主成分提取模块(SVD+PCA模块)、K-均值模块(K-Mean模块)、数据预处理模块(Preprocessed Data模块)、卷积网络和任务转化模块(CNN+(Singlelabel to multiple labels))和K近邻模块(KNN模块)
(1)Indivdual Sensor Axis Sequence Data Input模块:
接收加速度传感器的数据序列,将各轴的数据序列送入不同的数据序列预处理通道,转换为固定格式的序列段数据。
(2)Convert A Sequence To A Matrix模块:
将各轴的序列数据转换为固定大小的张量,且不考虑传感器位置的变化,便于下一步的SVD+PCA特征映射和主成分提取。
(3)SVD+PCA模块:
传感器各个轴的固定时间窗口输入张量数据通过SVD,分别获得一组经过特征分解后的正交基;将这组正交的张量通过PCA提取百分比的主成分获得降维的张量数据。在N维空间中,可以找到N个这样的正交基向量,然后用前k个基去近似整个张量空间,使得压缩后的数据损失最小。
所述含有不同程度噪声的处理:将噪声和原始张量看成一个整体。当噪声张量在整体张量占比很小时,在提取主成分过程中噪声对识别准确度的影响被降低,利于后续的特征提取;当噪声接近有用张量的一半甚至更高时,不进行主成分提取,而把噪声看成原始张量的一部分,这样就能降低噪声在后续特征提取的影响。
(4)K-Mean模块:
Means属于聚类问题算法,用于无监督学习任务,但是本发明用此算法对局部连续的时间窗口张量即对n个局部连续张量进行聚类分析,计算出最接近中心簇的其中一个时间窗口张量。
所述连续局部张量的聚类算法:正因为是寻找连续局部张量的中心张量,所以本发明用此算法找到的中心张量必定是最优中心张量。算法公式如下(Y1是上一模块的属于连续时间窗口的其中的n输出张量,Y2是此模块的输出张量,Si是假设的n个中心张量中的第i个张量,k:假设中心点个数):
(5)Preprocessed Data模块:
将上一步各轴的张量分别转换为一维张量,合并各轴转换后的一维张量为三维张量。一切以归一化张量的形式作为神经网络模块的入口数据。
(6)CNN+(Single label to multiple labels)模块:
此模块分为两个卷积层,两个池化层,两个全连接层,一个多标签全连接层。其中的多标签全连接层是此模块的最后一个全连接层,将单标签任务转换为多标签任务。通过神经网络对张量数据进行深度学习,单标签任务转换为多标签任务。
所述单标签任务转换为多标签任务:多标签的目的是对多个次重要特征进行保留,尤其是在低信噪比的情况下,便于进行下一步KNN的已经训练特征的精确分类识别和未训练特征的模糊识别。其中的过滤器权重Wij=Wi-1,j-1+Wfixed是半固定增量式的归一化更新,在每次的迭代训练中随机的选择n个训练张量,计算该训练样本张量的损失项导数,得到一个梯度向量,且参数Wij是通过向梯度方向上的局部最小值移动而递增式的更新。
其中:等式左边的Wij是本次迭代更新的权值张量;等式右边的Wi-1,j-1是前一次迭代更新的权值张量;Wfixed是默认固定式的权值张量。
(7)KNN模块:
架构最后使用KNN的原因是,上一组件最后一层对于具有m个值的l个特征,用ml个不同概念来表示特征分布式,让我们尽可能多的使用所有的特征空间,使用与线性分类器相结合的分布式表示,输出将是恒定的,尤其是特征张量之间的距离关系,因此提高了泛化能力;也提供了对非训练特征的模糊识别能力。
与现有技术相比,本发明具有如下有益效果:
1、采用大量数据集训练,具有处理不同含噪声比例能力,在不同含噪比例情况下均能够获取较高的识别准确率,符合实际运用场景;
2、应用了连续局部聚类算法,加快了深度学习收敛速度、学习速度,提高了实时性;
3、既提供了已经训练特征的高精度识别,又提供了未训练特征的模糊识别,从根本意义上实现了半监督的特征分割。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种运动状态识别方法,其特征在于:所述方法包括如下步骤:
A、采集单个传感器各轴序列数据,并将其转换为固定大小的张量;
B、将所述张量输入传感器各个轴的固定时间窗口,通过特征分解获取一组正交基;
C、对所述正交基的张量数据进行主成分提取获得降维后的张量;
D、对局部连续张量进行聚类分析,计算出最接近中心簇的其中一个时间窗口张量,确定局部中心张量;
E、将步骤D中固定大小各轴的张量分别转换为一维张量,合并各轴转换后的一维张量为三维张量;
F、通过卷积神经网络对步骤E的三维张量数据进行深度学习,并把单标签任务转化为多标签任务;
G、对于具有m个值的l个特征,用ml个不同概念来表示特征分布式,进行已训练特征的精确分类识别和未训练特征的模糊识别。
2.根据权利要求1所述的运动状态识别方法,其特征在于:当噪声张量大于等于50%的有用张量时,不进行主成分提取。
3.根据权利要求1所述的运动状态识别方法,其特征在于:采用下式对局部连续张量进行聚类分析:
式中:Y1是属于连续时间窗口的其中n个输出张量,Y2是输出张量,Si是假设的n个中心张量中的第i个张量,k是假设中心点个数。
4.根据权利要求1所述的运动状态识别方法,其特征在于:所述卷积神经网络中的过滤器权重Wij=Wi-1,j-1+Wfixed是半固定增量式的归一化更新,在每次的迭代训练中随机的选择h个训练张量,计算该训练样本张量的损失项导数,得到一个梯度向量,且参数Wij是通过向梯度方向上的局部最小值移动而递增式的更新;
其中:等式左边的Wij是本次迭代更新的权值张量;等式右边的Wi-1,j-1是前一次迭代更新的权值张量;Wfixed是默认固定式的权值张量。
5.一种运动状态识别装置,其特征在于:包括:
独立传感器轴序列数据输入模块:用于采集单个传感器各轴序列数据;
序列-矩阵转换模块:用于将各轴序列数据转换为固定大小的张量;
主成分提取模块:用于将所述张量输入传感器各个轴的固定时间窗口,通过特征分解获取一组正交基,并对所述正交基的张量数据进行主成分提取获得降维后的张量;
K-均值模块:对局部连续张量进行聚类分析,计算出最接近中心簇的其中一个时间窗口张量,确定局部中心张量;
数据预处理模块:用于将步骤D中各轴固定大小的张量分别转换为一维张量,合并各轴转换后的一维张量为三维张量;
任务转化模块:通过卷积神经网络对步骤E的三维张量数据进行深度学习,并将单标签任务转化为多标签任务;
K近邻模块:对于具有m个值的l个特征,用ml个不同概念来表示特征分布式,进行已训练特征的精确分类识别和未训练特征的模糊识别。
6.根据权利要求5所述的运动状态识别装置,其特征在于:所述任务转化模块包括两个卷积层、两个池化层、两个全连接层和一个多标签全连接层;其中多标签全连接层是此模块的最后一个全连接层,用于将单标签任务转化为多标签任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810889201.XA CN109165576B (zh) | 2018-08-07 | 2018-08-07 | 一种运动状态识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810889201.XA CN109165576B (zh) | 2018-08-07 | 2018-08-07 | 一种运动状态识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165576A true CN109165576A (zh) | 2019-01-08 |
CN109165576B CN109165576B (zh) | 2021-09-28 |
Family
ID=64895188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810889201.XA Active CN109165576B (zh) | 2018-08-07 | 2018-08-07 | 一种运动状态识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165576B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885628A (zh) * | 2019-03-20 | 2019-06-14 | 上海燧原智能科技有限公司 | 一种张量转置方法、装置、计算机及存储介质 |
CN109978001A (zh) * | 2019-02-21 | 2019-07-05 | 上海理工大学 | 基于多层混合聚类算法的空手道运动状态识别装置 |
CN110052000A (zh) * | 2019-04-12 | 2019-07-26 | 漳州泰里斯体育器材有限公司 | 一种搏击运动状态的识别处理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090102701A1 (en) * | 2007-10-19 | 2009-04-23 | Technology Service Corporation | Systems and methods for space-time radar imaging |
CN102274108A (zh) * | 2011-05-17 | 2011-12-14 | 天津大学 | 步行器助行中稳定性与脑电-肌电相干系数模糊融合方法 |
CN106096096A (zh) * | 2016-06-01 | 2016-11-09 | 北京交通大学 | 基于mpca的列车悬挂系统故障分析方法及系统 |
CN106971145A (zh) * | 2017-03-03 | 2017-07-21 | 广东工业大学 | 一种基于极限学习机的多视角动作识别方法及装置 |
CN107423658A (zh) * | 2016-05-24 | 2017-12-01 | 深圳光启合众科技有限公司 | 步态识别方法及装置 |
CN107830792A (zh) * | 2016-09-16 | 2018-03-23 | Nm数字模拟有限公司 | 用于确定位置测量系统的位置指示器的位置的方法 |
CN108133188A (zh) * | 2017-12-22 | 2018-06-08 | 武汉理工大学 | 一种基于运动历史图像与卷积神经网络的行为识别方法 |
-
2018
- 2018-08-07 CN CN201810889201.XA patent/CN109165576B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090102701A1 (en) * | 2007-10-19 | 2009-04-23 | Technology Service Corporation | Systems and methods for space-time radar imaging |
CN102274108A (zh) * | 2011-05-17 | 2011-12-14 | 天津大学 | 步行器助行中稳定性与脑电-肌电相干系数模糊融合方法 |
CN107423658A (zh) * | 2016-05-24 | 2017-12-01 | 深圳光启合众科技有限公司 | 步态识别方法及装置 |
CN106096096A (zh) * | 2016-06-01 | 2016-11-09 | 北京交通大学 | 基于mpca的列车悬挂系统故障分析方法及系统 |
CN107830792A (zh) * | 2016-09-16 | 2018-03-23 | Nm数字模拟有限公司 | 用于确定位置测量系统的位置指示器的位置的方法 |
CN106971145A (zh) * | 2017-03-03 | 2017-07-21 | 广东工业大学 | 一种基于极限学习机的多视角动作识别方法及装置 |
CN108133188A (zh) * | 2017-12-22 | 2018-06-08 | 武汉理工大学 | 一种基于运动历史图像与卷积神经网络的行为识别方法 |
Non-Patent Citations (3)
Title |
---|
SHUOCHAO YAO等: "DeepSense: A Unified Deep Learning Framework for Time-Series Mobile Sensing Data Processing", 《ARXIV:1611.01942V2 [CS.LG]》 * |
张焕龙: "基于稀疏外观模型学习的目标持续性跟踪算法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
黄一鸣 等: "基于手机传感器的握持方式判断及运动状态识别", 《电子科技大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978001A (zh) * | 2019-02-21 | 2019-07-05 | 上海理工大学 | 基于多层混合聚类算法的空手道运动状态识别装置 |
CN109978001B (zh) * | 2019-02-21 | 2023-07-14 | 上海理工大学 | 基于多层混合聚类算法的空手道运动状态识别装置 |
CN109885628A (zh) * | 2019-03-20 | 2019-06-14 | 上海燧原智能科技有限公司 | 一种张量转置方法、装置、计算机及存储介质 |
CN109885628B (zh) * | 2019-03-20 | 2020-05-12 | 上海燧原智能科技有限公司 | 一种张量转置方法、装置、计算机及存储介质 |
CN110052000A (zh) * | 2019-04-12 | 2019-07-26 | 漳州泰里斯体育器材有限公司 | 一种搏击运动状态的识别处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109165576B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232341B (zh) | 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法 | |
Reddy et al. | Handwritten Hindi digits recognition using convolutional neural network with RMSprop optimization | |
CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN110119703A (zh) | 一种安防场景下融合注意力机制和时空图卷积神经网络的人体动作识别方法 | |
CN109409297B (zh) | 一种基于双通道卷积神经网络的身份识别方法 | |
CN104298974B (zh) | 一种基于深度视频序列的人体行为识别方法 | |
CN108133188A (zh) | 一种基于运动历史图像与卷积神经网络的行为识别方法 | |
CN107085704A (zh) | 基于elm自编码算法的快速人脸表情识别方法 | |
CN109033994B (zh) | 一种基于卷积神经网络的人脸表情识别方法 | |
CN109241995B (zh) | 一种基于改进型ArcFace损失函数的图像识别方法 | |
CN109165576A (zh) | 一种运动状态识别方法及装置 | |
CN104809469A (zh) | 一种面向服务机器人的室内场景图像分类方法 | |
CN106845528A (zh) | 一种基于K‑means与深度学习的图像分类算法 | |
CN106682606A (zh) | 一种人脸确认方法及安全认证装置 | |
CN110992351A (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN106778501A (zh) | 基于压缩跟踪与ihdr增量学习的视频人脸在线识别方法 | |
CN107729926A (zh) | 一种基于高维空间变换的数据扩增方法、机器识别系统 | |
CN106355204B (zh) | 基于贝叶斯学习和增量子空间学习的目标跟踪方法 | |
CN110163156A (zh) | 一种基于卷积自编码模型的唇部特征提取方法 | |
Abdu-Aguye et al. | VersaTL: Versatile Transfer Learning for IMU-based Activity Recognition using Convolutional Neural Networks. | |
CN105868711A (zh) | 一种基于稀疏低秩的人体行为识别方法 | |
CN109919215B (zh) | 基于聚类算法改进特征金字塔网络的目标检测方法 | |
CN108009512A (zh) | 一种基于卷积神经网络特征学习的人物再识别方法 | |
CN114329031A (zh) | 一种基于图神经网络和深度哈希的细粒度鸟类图像检索方法 | |
CN109871907A (zh) | 基于sae-hmm模型的雷达目标高分辨率距离像识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |