CN112598021A - 一种基于自动机器学习的图结构搜索方法 - Google Patents
一种基于自动机器学习的图结构搜索方法 Download PDFInfo
- Publication number
- CN112598021A CN112598021A CN202011357356.2A CN202011357356A CN112598021A CN 112598021 A CN112598021 A CN 112598021A CN 202011357356 A CN202011357356 A CN 202011357356A CN 112598021 A CN112598021 A CN 112598021A
- Authority
- CN
- China
- Prior art keywords
- adjacency matrix
- graph
- node
- graph structure
- parameter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010801 machine learning Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 8
- 230000002787 reinforcement Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于自动机器学习的图结构搜索方法，如下：步骤S1、从输入的图像或者视频中，按照时间先后顺序顺次提取每一帧图像中的图结构的节点信息，节点信息和边形成拓扑结构图序列Gt，Gt＝(Vt，Et)；上述各帧图像中的边构成一个边集Et＝{vtivtj|(i,j)∈H}；步骤S2、将边集Et和连接权重构建邻接矩阵W＝{Wij|i，j＝1,…,N}。初始化邻接矩阵，得初始化后的邻接矩阵W1。步骤S3、得训练后的邻接矩阵W2；由邻接矩阵W2得超参数邻接矩阵W3，超参数邻接矩阵W3和节点集Vt形成高鲁棒性拓扑图结构。通过搜索整个样本集学习得到一种高鲁棒性图结构，将图卷积中的权重矩阵扩大到整个拓扑图结构。
Description
技术领域
本发明属于计算机视觉技术领域，具体涉及一种基于自动机器学习的图结构搜索方法。
背景技术
随着人工智能时代的到来，实现各个领域的智能化已成为大势所趋，也将为人们的生活带来极大的便捷。计算机视觉作为人工智能领域的一个重要分支，可以看作是人工智能的“眼睛”，其主要任务是使用计算机对采集到的信息(图片或视频)进行分析处理以理解其中包含的语义信息。
机器学习是人工智能研究发展到一定阶段的必然产物，其致力于通过计算的手段，利用经验来改善系统自身的性能。在计算机系统中，“经验”通常以“数据”形式存在，通过机器学习算法，可从数据中产生“模型”，也就是说，将经验数据提供给机器学习算法，就能基于这些经验数据产生模型，在面对新的情况时，模型会提供相应的判断，即，预测结果。一个机器学习模型通常解决的是特定场景下的问题，而开发机器学习模型需要投入较多的人力成本，并且需要专门的人才投入。针对传统机器学习建模方案存在的不足，产生了自动机器学习(AutoML)，自动机器学习的目的是使用自动化的数据驱动方式来确定机器学习解决方案。
近年来，随着深度学习技术的兴起，各种图卷积网络、图循环网络、图注意网络、图残差网络等神经网络被广泛的使用。这些深度学习网络的输入都是以人为定义的图结构，例如人体行为识别网络的输入图结构便是以人体骨骼的物理连接作为体骨架拓扑结构的连接，但是人体行为是具有连贯性的，除了骨节点之间基于骨架的物理连接外，还有因为动作连贯性的非物理连接，例如人在行走时除了双腿的走动，还会带动双臂的摆动，这些信息是无法从骨架的物理连接上能够得到。因此，通过设计一种基于自动机器学习的人体骨架拓扑结构来在大量数据集上学习到虚拟骨架连接关系，进而得到泛化能力更强，更适合计算机识别的人体骨架拓扑结构，从而使大多数基于人体骨架的神经网络从输入的层次上进行改进来提升性能，对人体行为进行分类具有非常重要的研究意义。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足，提供一种基于自动机器学习的图结构搜索，直接通过搜索整个样本集学习得到一种高鲁棒性图结构。将图卷积中的权重矩阵扩大到整个拓扑图结构，学习图中任意两节点之间的关系，从而将数据集中原本基于骨架物理连接的人体骨架拓扑人为定义的结构都更替为一种高鲁棒性、高泛化性的机器学习到的图结构。
为解决上述技术问题，本发明采用的技术方案是，一种基于自动机器学习的图结构搜索方法，该方法包括如下步骤：
步骤S1、从输入的图像或者视频中，按照时间先后顺序顺次提取每一帧图像中的图结构的节点信息，并分别在各帧图像中的任意两个节点之间均构建边，节点信息和边形成拓扑结构图序列Gt，Gt＝(Vt，Et)；
上述各帧图像中的边构成一个边集Et＝{vti vtj|(i,j)∈H}；
其中：Vt为节点集，Vt＝{vti|t＝1，2，…，T；i＝1，2…，N}，包括了拓扑结构图序列中每一时刻的所有节点；t表示图像帧的序号；
vti表示第t帧图像中第i个节点的坐标信息；vtj表示第t帧图像中第j个节点的坐标信息；j＝1，2…，N，且j≠i；vti vtj的数值表示第i个节点和第j个节点的连接权重；i和j均为节点的序号；T为总帧数，取整数；N为节点的总个数，取整数；H是节点连接集合。；
步骤S2、将边集Et和连接权重构建邻接矩阵W＝{Wij|i，j＝1,…,N}，Wij等于vtivtj的数值。若节点i和节点j存在强物理连接关系，则Wij＝1；若节点i和节点j不存在连接关系，则Wij为0；
初始化邻接矩阵，得到初始化后的邻接矩阵W1。
步骤S3、将初始化后的邻接矩阵W1和节点集Vt输入学习图网络，得到训练后的邻接矩阵W2；由邻接矩阵W2得超参数邻接矩阵W3，超参数邻接矩阵W3和节点集Vt形成高鲁棒性拓扑图结构。
还包括步骤S4、将超参数邻接矩阵W3作为通用的边集，与任意数据集中的节点集组合，形成该数据集的高鲁棒性拓扑图结构。
进一步地，一种形式如下，得到超参数邻接矩阵W3的过程如下：将邻接矩阵W2中的连接权重按照由大到小的顺序排序：保留排序序列中前部的若干个连接权重，保留的连接权重的数量小于等于N/3，且将剩余的连接权重重置为0，保留的连接权重形成超参数邻接矩阵W3。
进一步地，另一种形式如下，得到超参数邻接矩阵W3的过程如下：保留邻接矩阵W2中的连接权重阈值大于0.7的连接权重，且剩余的连接权重重置为0，保留的连接权重形成超参数邻接矩阵W3。
进一步地，在上述步骤S2中，初始化邻接矩阵的权重参数为1。
进一步地，上述学习图网络为图卷积网络、图循环网络、图注意力网络或图残差网络。
本发明具有如下优点：通过自动机器学习搜索整个样本集的图结构的自适应关系，将图卷积中的权重矩阵扩大到整个拓扑图结构，不仅可以学习互连的节点之间的关系，还可以学习没有连接的两个节点之间的关系，使用灵活且适应性好。2.直接学习整个拓扑图结构的特征，解决了现有拓扑图结构的泛化能力不足的问题。
附图说明
图1为本发明实施例一种基于自动机器学习的搜索高鲁棒性图结构的示意图；
图2为本发明高鲁棒性人体拓扑结构和原始基于骨架的人体拓扑结构的行为识别系统对比示例图。
具体实施方式
本发明公开了一种基于自动机器学习的图结构搜索方法，是利用自动机器学习去搜索一种更适合计算机去识别的图结构，适用于各种图网络，其图网络的输入包含两种信息，节点集和邻接矩阵，本发明中是更换人为定义的邻接矩阵，通过自动学习搜索更合适图网络的邻接矩阵，从而从网络输入上提升各种图网络的性能。如图1所示，该方法包括以下步骤：
步骤S1、从输入的图像或者视频中，按照时间先后顺序顺次提取每一帧图像中的图结构的节点信息，并分别在各帧图像中的任意两个节点之间均构建边，所述节点信息和边形成拓扑结构图序列Gt，Gt＝(Vt，Et)；
上述各帧图像中的边构成一个边集Et＝{vti vtj|(i,j)∈H}；
其中：Vt为节点集，Vt＝{vti|t＝1，2，…，T；i＝1，2…，N}，包括了拓扑结构图序列中每一时刻的所有节点；t表示图像帧的序号；
vti表示第t帧图像中第i个节点的坐标信息；vtj表示第t帧图像中第j个节点的坐标信息；j＝1，2…，N，且j≠i；vti vtj的数值表示第i个节点和第j个节点的连接权重；i和j均为节点的序号；T为总帧数，取整数；N为节点的总个数，取整数；H是定义的节点连接集合；
步骤S2、将所述边集Et和连接权重构建邻接矩阵W＝{Wij|i，j＝1,…,N}，Wij等于vti vtj的数值。
若节点i和节点j存在强物理连接关系，则Wij＝1；若节点i和节点j不存在连接关系，则Wij为0；
初始化所述邻接矩阵，初始化所述邻接矩阵的权重参数为1，得到初始化后的邻接矩阵W1；
步骤S3、步骤S3、将所述初始化后的邻接矩阵W1和节点集Vt输入学习图网络，得到训练后的邻接矩阵W2；由所述邻接矩阵W2得超参数邻接矩阵W3，所述超参数邻接矩阵W3和节点集Vt形成高鲁棒性拓扑图结构。
还包括步骤S4、将所述超参数邻接矩阵W3作为通用的边集，与任意数据集中的节点集组合，形成该数据集的高鲁棒性拓扑图结构。
得到所述超参数邻接矩阵W3的一种形式，过程如下：将所述邻接矩阵W2中的连接权重按照由大到小的顺序排序：保留排序序列中前部的若干个连接权重，保留的所述连接权重的数量小于等于N/3，且将剩余的连接权重重置为0，保留的连接权重形成超参数邻接矩阵W3。
得到所述超参数邻接矩阵W3的另一种形式，过程如下：保留邻接矩阵W2中的连接权重阈值大于0.7的连接权重，且剩余的连接权重重置为0，保留的连接权重形成超参数邻接矩阵W3。
在实际过程中，采用上述哪种方法得到超参数邻接矩阵W3，可以同时采用上述两种方式，在得到超参数邻接矩阵W3后，对其进行验证。即将对应的数据集的高鲁棒性图拓扑结构分别作为图网络的输入，比较最终的输出结果。选择输出结果优的高鲁棒性图拓扑结构对应的超参数邻接矩阵W3。
上述学习图网络为图卷积网络、图循环网络、图注意力网络或图残差网络。网络的输出采用基于强化学习的方法来搜索更好鲁棒性和泛化性的拓扑图结构。基于强化学习的方法具体为：强化学习被广泛应用于连续决策建模中，该方法通过智能体(agent)与环境交互，每次智能体(agent)都会执行一些动作(action)，并从环境中获得回馈，强化学习的目标就是让回馈最大化。那么对于图结构的搜索可以很自然地被建模为一个强化学习任务，目的是使搜索到的图结构具有更好的鲁棒性和泛化性。
基于进化算法的方法具体为：首先对图结构进行编码，维护结构的集合(种群)，从种群中挑选结构训练并评估，留下高性能图结构而淘汰低性能图结构。接下来通过预设定的图结构变异操作形成新的候选，通过训练和评估后加入种群中，迭代该过程直到满足终止条件，如达到最大迭代次数或变异后的图结构性能不再上升。。
基于梯度的方法具体为：通过自动机器学习搜索到最优的超参数W3，使得验证损失最小，如下式所示：
式中的W就是邻接矩阵，在训练过程中，从一开始的W1，不断更新收敛得到W2。主要是有两种训练任务：Ltrain(w,W)：通过训练损失(trianloss)来计算最优的网络参数w*；Lval(w*(W),W)：通过测试损失(validationloss)来计算最优的邻接矩阵W3。通过以上式发现，每次更新邻接矩阵，都需要通过所有训练集样本先计算出模型参数w的最优解。而更新w后，又要通过测试集样本重新计算最优解W3。搜索结束后，选择出每个节点之间最适合的权重连接，当然为了避免过拟合，只取权重由大到小排序靠前的，且不超过节点数三分之一数量的非物理连接或者权重阈值大于0.7的非物理连接，形成最终的高鲁棒性、高泛化性图拓扑结构，即最优的超参数W3。
得到效果最优的邻接矩阵W3，那么本发明便可使用这个效果最优的邻接矩阵W3迁移运用在其他的数据集上，当然对这个数据集有两个要求，一是这个数据集和步骤S3的学习网络运用的任务一致；二是这个数据集的邻接矩阵W和本发明搜索到的邻接矩阵W3具有相同的维度。进行消融实验发现，在其他数据集上，对相同的两个学习网络，输入同样的节点集Vt和不同邻接矩阵，即该数据集原有的连接矩阵和本发明搜索到的更好鲁棒性和泛化性的邻接矩阵，在对学习网络采取一样的学习环境和步骤，对比两个学习网络对相同任务的实现效果，发现使用本发明搜索到的效果最优的邻接矩阵能够更好地提升网络的性能。
本发明中搜索一种高鲁棒性图结构，学习图网络可以采用依据不同的应用方向和任务采用不同的图网络。以图2的人体行为识别进行举例，且图2中人体行为识别网络可以采用任意一种基于骨架的人体行为识别图网络。
通过本发明进行搜索结束后，选择出每个节点之间的权重连接，同样，为了避免过拟合，只取权重由大到小排序靠前的，且不超过节点数三分之一数量的非物理连接或者权重阈值大于0.7的非物理连接，形成最终的高鲁棒性、高泛化性人体骨架拓扑结构，即最优的超参数W3。
现有的人体拓扑处理，主要分为两类：一是人工定义的非物理连接，从而改变邻接矩阵W，对于非物理连接通过大量试验赋予权重；二是通过学习图卷积学习相连节点之间的关系，在人体行为识别图网络之前，对人体拓扑结构进行预处理，通过学习任意两节点的关系可以直接学习整个图的特征来提出非物理连接，不同的样本在预处理后有不同的非物理连接。但是以上两种对于人体拓扑结构的处理方法，只是对于每个单独的样本进行处理，其鲁棒性和泛化性都不强。
本实施例将人体拓扑结构作为超参数进行自动机器学习搜索，对于提出非物理连接的人体拓扑结构具有高鲁棒性和高泛化性，能够对所有样本的人体拓扑结构进行预处理，使所有网络表现出更佳的性能。
图2中，将原本样本的人体拓扑结构通过一种人体行为识别网络，通过训练收敛后，得到其分类准确性。然后将原本样本的人体拓扑结构通过预处理更换成自动机器学习搜索到的邻接矩阵后，再通过同样结构的人体行为识别网络，进行训练收敛后，能够得到更高的分类准确性。
本发明用于人体行为识别，包括动作识别、手势识别和人脸表情识别，均能够基于人体骨架信息，以人体关节作为拓扑图的节点，形成拓扑图序列，采用本发明的方法进行识别网络的输入；例如可以应用于无人超市里的购买行为识别、家居生活中智能机器人通过识别人们的行为来实现更佳的人机交互、安防监控领域识别特定地点特定人群的行为等；也可以应用于具有关系模型数据结构的数据分析等应用；还可以应用于人体行为预测方面的应用。
Claims (6)
1.一种基于自动机器学习的图结构搜索方法，其特征在于，该方法包括如下步骤：
步骤S1、从输入的图像或者视频中，按照时间先后顺序顺次提取每一帧图像中的图结构的节点信息，并分别在各帧图像中的任意两个节点之间均构建边，所述节点信息和边形成拓扑结构图序列Gt，Gt＝(Vt，Et)；
上述各帧图像中的边构成一个边集Et＝{vti vtj|(i,j)∈H}；
其中：Vt为节点集，Vt＝{vti|t＝1，2，…，T；i＝1，2…，N}，包括了拓扑结构图序列中每一时刻的所有节点；t表示图像帧的序号；
vti表示第t帧图像中第i个节点的坐标信息；vtj表示第t帧图像中第j个节点的坐标信息；j＝1，2…，N，且j≠i；vti vtj的数值表示第i个节点和第j个节点的连接权重；i和j均为节点的序号；T为总帧数，取整数；N为节点的总个数，取整数；H是节点连接集合；
步骤S2、将所述边集Et和连接权重构建邻接矩阵W＝{Wij|i，j＝1,…,N}，Wij等于vtivtj的数值；
若节点i和节点j存在强物理连接关系，则Wij＝1；若节点i和节点j不存在连接关系，则Wij为0；
初始化所述邻接矩阵，得到初始化后的邻接矩阵W1；
步骤S3、将所述初始化后的邻接矩阵W1和节点集Vt输入学习图网络，得到训练后的邻接矩阵W2；由所述邻接矩阵W2得超参数邻接矩阵W3，所述超参数邻接矩阵W3和节点集Vt形成高鲁棒性拓扑图结构。
2.根据权利要求1所述的一种基于自动机器学习的图结构搜索方法，其特征在于，还包括步骤S4、将所述超参数邻接矩阵W3作为通用的边集，与任意数据集中的节点集组合，形成该数据集的高鲁棒性拓扑图结构。
3.根据权利要求1或2所述的一种基于自动机器学习的图结构搜索方法，其特征在于，得到所述超参数邻接矩阵W3的过程如下：将所述邻接矩阵W2中的连接权重按照由大到小的顺序排序：保留排序序列中前部的若干个连接权重，保留的所述连接权重的数量小于等于N/3，且将剩余的连接权重重置为0，保留的连接权重形成超参数邻接矩阵W3。
4.根据权利要求1或2所述的一种基于自动机器学习的图结构搜索方法，其特征在于，得到所述超参数邻接矩阵W3的过程如下：保留邻接矩阵W2中的连接权重阈值大于0.7的连接权重，且剩余的连接权重重置为0，保留的连接权重形成超参数邻接矩阵W3。
5.根据权利要求1或2所述的一种基于自动机器学习的图结构搜索方法，在所述步骤S2中，初始化所述邻接矩阵的权重参数为1。
6.根据权利要求2所述的一种基于自动机器学习的图结构搜索方法，其特征在于，所述学习图网络为图卷积网络、图循环网络、图注意力网络或图残差网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011357356.2A CN112598021A (zh) | 2020-11-27 | 2020-11-27 | 一种基于自动机器学习的图结构搜索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011357356.2A CN112598021A (zh) | 2020-11-27 | 2020-11-27 | 一种基于自动机器学习的图结构搜索方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112598021A true CN112598021A (zh) | 2021-04-02 |
Family
ID=75184380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011357356.2A Pending CN112598021A (zh) | 2020-11-27 | 2020-11-27 | 一种基于自动机器学习的图结构搜索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112598021A (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103595734A (zh) * | 2013-12-02 | 2014-02-19 | 中国科学院信息工程研究所 | 基于用户关联结构划分的在线社交网络快速修复方法 |
| CN108805032A (zh) * | 2018-05-17 | 2018-11-13 | 郑州大学 | 基于深度卷积网络的跌倒检测方法 |
| CN110222611A (zh) * | 2019-05-27 | 2019-09-10 | 中国科学院自动化研究所 | 基于图卷积网络的人体骨架行为识别方法、系统、装置 |
| CN110309732A (zh) * | 2019-06-13 | 2019-10-08 | 浙江大学 | 基于骨架视频的行为识别方法 |
| CN110782034A (zh) * | 2019-10-31 | 2020-02-11 | 北京小米智能科技有限公司 | 神经网络的训练方法、装置及存储介质 |
| CN110796110A (zh) * | 2019-11-05 | 2020-02-14 | 西安电子科技大学 | 一种基于图卷积网络的人体行为识别方法及系统 |
| CN110929637A (zh) * | 2019-11-20 | 2020-03-27 | 中国科学院上海微系统与信息技术研究所 | 一种图像识别方法、装置、电子设备及存储介质 |
| CN110934587A (zh) * | 2019-12-13 | 2020-03-31 | 深圳龙岗智能视听研究院 | 一种基于图卷积神经网络的阿尔兹海默症辅助诊断方法 |
| CN110993037A (zh) * | 2019-10-28 | 2020-04-10 | 浙江工业大学 | 一种基于多视图分类模型的蛋白质活性预测装置 |
| CN111104902A (zh) * | 2019-12-19 | 2020-05-05 | 中山大学 | 一种基于图卷积网络的偏瘫步态分类方法 |
| CN111291883A (zh) * | 2018-12-07 | 2020-06-16 | 阿里巴巴集团控股有限公司 | 数据处理方法及数据处理装置 |
| CN111340756A (zh) * | 2020-02-13 | 2020-06-26 | 北京深睿博联科技有限责任公司 | 一种医学图像病变检出合并方法、系统、终端及存储介质 |
| CN111414815A (zh) * | 2020-03-04 | 2020-07-14 | 清华大学深圳国际研究生院 | 行人重识别网络搜索方法及行人重识别方法 |
| CN111553464A (zh) * | 2020-04-26 | 2020-08-18 | 北京小米松果电子有限公司 | 基于超网络的图像处理方法、装置及智能设备 |
| US20200285944A1 (en) * | 2019-03-08 | 2020-09-10 | Adobe Inc. | Graph convolutional networks with motif-based attention |
| CN111709321A (zh) * | 2020-05-28 | 2020-09-25 | 西安交通大学 | 一种基于图卷积神经网络的人体行为识别方法 |
| CN111767985A (zh) * | 2020-06-19 | 2020-10-13 | 深圳市商汤科技有限公司 | 一种神经网络的训练方法、视频识别方法及装置 |
| CN111859114A (zh) * | 2020-06-18 | 2020-10-30 | 北京百度网讯科技有限公司 | 推荐系统的优化方法、装置、设备和计算机存储介质 |
-
2020
- 2020-11-27 CN CN202011357356.2A patent/CN112598021A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103595734A (zh) * | 2013-12-02 | 2014-02-19 | 中国科学院信息工程研究所 | 基于用户关联结构划分的在线社交网络快速修复方法 |
| CN108805032A (zh) * | 2018-05-17 | 2018-11-13 | 郑州大学 | 基于深度卷积网络的跌倒检测方法 |
| CN111291883A (zh) * | 2018-12-07 | 2020-06-16 | 阿里巴巴集团控股有限公司 | 数据处理方法及数据处理装置 |
| US20200285944A1 (en) * | 2019-03-08 | 2020-09-10 | Adobe Inc. | Graph convolutional networks with motif-based attention |
| CN110222611A (zh) * | 2019-05-27 | 2019-09-10 | 中国科学院自动化研究所 | 基于图卷积网络的人体骨架行为识别方法、系统、装置 |
| CN110309732A (zh) * | 2019-06-13 | 2019-10-08 | 浙江大学 | 基于骨架视频的行为识别方法 |
| CN110993037A (zh) * | 2019-10-28 | 2020-04-10 | 浙江工业大学 | 一种基于多视图分类模型的蛋白质活性预测装置 |
| CN110782034A (zh) * | 2019-10-31 | 2020-02-11 | 北京小米智能科技有限公司 | 神经网络的训练方法、装置及存储介质 |
| CN110796110A (zh) * | 2019-11-05 | 2020-02-14 | 西安电子科技大学 | 一种基于图卷积网络的人体行为识别方法及系统 |
| CN110929637A (zh) * | 2019-11-20 | 2020-03-27 | 中国科学院上海微系统与信息技术研究所 | 一种图像识别方法、装置、电子设备及存储介质 |
| CN110934587A (zh) * | 2019-12-13 | 2020-03-31 | 深圳龙岗智能视听研究院 | 一种基于图卷积神经网络的阿尔兹海默症辅助诊断方法 |
| CN111104902A (zh) * | 2019-12-19 | 2020-05-05 | 中山大学 | 一种基于图卷积网络的偏瘫步态分类方法 |
| CN111340756A (zh) * | 2020-02-13 | 2020-06-26 | 北京深睿博联科技有限责任公司 | 一种医学图像病变检出合并方法、系统、终端及存储介质 |
| CN111414815A (zh) * | 2020-03-04 | 2020-07-14 | 清华大学深圳国际研究生院 | 行人重识别网络搜索方法及行人重识别方法 |
| CN111553464A (zh) * | 2020-04-26 | 2020-08-18 | 北京小米松果电子有限公司 | 基于超网络的图像处理方法、装置及智能设备 |
| CN111709321A (zh) * | 2020-05-28 | 2020-09-25 | 西安交通大学 | 一种基于图卷积神经网络的人体行为识别方法 |
| CN111859114A (zh) * | 2020-06-18 | 2020-10-30 | 北京百度网讯科技有限公司 | 推荐系统的优化方法、装置、设备和计算机存储介质 |
| CN111767985A (zh) * | 2020-06-19 | 2020-10-13 | 深圳市商汤科技有限公司 | 一种神经网络的训练方法、视频识别方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| L. ZHAO ET AL: "Semantic Graph Convolutional Networks for 3D Human Pose Regression", 《2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 9 January 2020 (2020-01-09), pages 3420 - 3430 * |
| 隋天琦: "真实场景下的人体和相机姿态估计的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 隋天琦: "真实场景下的人体和相机姿态估计的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2020, no. 8, 15 August 2020 (2020-08-15), pages 138 - 617 * |
| 马慧彬著: "《基于机器学习的乳腺图像辅助诊断算法研究》", pages: 147 - 148 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796110B (zh) | 一种基于图卷积网络的人体行为识别方法及系统 | |
| Cui et al. | Learning dynamic relationships for 3d human motion prediction | |
| CN108780519B (zh) | 卷积神经网络的结构学习 | |
| Iglesias et al. | Creating evolving user behavior profiles automatically | |
| WO2022083624A1 (zh) | 一种模型的获取方法及设备 | |
| CN110378208B (zh) | 一种基于深度残差网络的行为识别方法 | |
| CN109508686B (zh) | 一种基于层次化特征子空间学习的人体行为识别方法 | |
| CN113239897B (zh) | 基于时空特征组合回归的人体动作评价方法 | |
| Kannappan et al. | A new classification scheme using artificial immune systems learning for fuzzy cognitive mapping | |
| CN111199216B (zh) | 面向人体骨架的运动预测方法及系统 | |
| CN114639483A (zh) | 一种基于图神经网络的电子病历检索方法及装置 | |
| KR20210108044A (ko) | 디지털 트윈 기술을 위한 영상 분석 시스템 | |
| CN113988464A (zh) | 基于图神经网络的网络链路属性关系预测方法及设备 | |
| CN107491735B (zh) | 人类行为识别的标签和交互关系联合学习方法 | |
| Peng et al. | A Dual-Augmentor Framework for Domain Generalization in 3D Human Pose Estimation | |
| Cao et al. | QMEDNet: A quaternion-based multi-order differential encoder–decoder model for 3D human motion prediction | |
| CN111584010B (zh) | 一种基于胶囊神经网络和集成学习的关键蛋白质识别方法 | |
| CN109002808A (zh) | 一种人体行为识别方法及系统 | |
| París et al. | Sum-product networks: A survey | |
| CN117115911A (zh) | 一种基于注意力机制的超图学习动作识别系统 | |
| CN112598021A (zh) | 一种基于自动机器学习的图结构搜索方法 | |
| CN116434347A (zh) | 一种基于掩码图自编码器的骨架序列识别方法及系统 | |
| CN113095500B (zh) | 一种基于多智能体强化学习的机器人追捕方法 | |
| CN112686306B (zh) | 基于图神经网络的icd手术分类自动匹配方法及系统 | |
| CN113760091A (zh) | 一种移动端感知计算技术及物联网技术应用系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230506 Address after: Room 8663, 2nd Floor, Building 4, Free Trade Industrial Park, No. 2168 Zhenghe Fourth Road, Fengdong New City, Xi'an City, Shaanxi Province, 710000 Applicant after: Xi'an Zhilei Technology Industry Co.,Ltd. Address before: 710072 No. 127 Youyi West Road, Shaanxi, Xi'an Applicant before: Northwestern Polytechnical University |