CN113343813B - 一种基于单节点光子储备池计算的动作视频识别方法 - Google Patents

一种基于单节点光子储备池计算的动作视频识别方法 Download PDF

Info

Publication number
CN113343813B
CN113343813B CN202110597541.7A CN202110597541A CN113343813B CN 113343813 B CN113343813 B CN 113343813B CN 202110597541 A CN202110597541 A CN 202110597541A CN 113343813 B CN113343813 B CN 113343813B
Authority
CN
China
Prior art keywords
reserve pool
optical fiber
node
photon
video
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.)
Active
Application number
CN202110597541.7A
Other languages
English (en)
Other versions
CN113343813A (zh
Inventor
李璞
胡春强
蔡强
开超
李佳一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202110597541.7A priority Critical patent/CN113343813B/zh
Publication of CN113343813A publication Critical patent/CN113343813A/zh
Application granted granted Critical
Publication of CN113343813B publication Critical patent/CN113343813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)

Abstract

本发明涉及一种基于单节点光子储备池计算的动作视频识别方法，单节点光子储备池计算仅包含一个物理节点，结构简单，硬件友好，使用简单的线性回归算法如岭回归训练输出连接权重，训练成本低；本发明使用高非线性光纤有效提高单节点光子储备池计算储备池层的非线性动力学响应丰富度，使储备池维度最大化，提高系统性能。每一个纵模之间并行处理信息，每一个纵模功能等价于一个子储备池层。使用多纵模响应激光器的多个纵模并行处理信息，虚拟节点数和处理速率倍数提高，增加系统容量；该单节点光子储备池计算在光域中处理和传输信号，不会受限于电子速率瓶颈，结合了光信息处理的高速大容量特性。

Description

一种基于单节点光子储备池计算的动作视频识别方法
技术领域
本发明涉及机器学习技术领域，尤其涉及一种基于单节点光子储备池计算的动作视频识别方法。
背景技术
机器视觉是人工智能的重要分支，近年来发展非常迅速。由于机器视觉的显著优势，如：可观测范围广、精度高、智能化水平显著、对作业环境的鲁棒性，并且其往往不需要直接接触被探测物体因而不会对被测物体造成损坏等。机器视觉已经被广泛用于许多领域，例如机器人视觉、工业检查、交通监控等。
人工神经网络在机器视觉领域显示出巨大潜力，具有与人脑相媲美的智能性。与其他机器视觉实现方法相比，人工神经网络具有更高的效率和更低的能耗。T.H.Sun等人使用基于反向传播神经网络的机器视觉系统可以自动对被研究案例公司的热熔断器进行检查，该系统可以替代4～6名人工检查员。R.K.C.Billones等人通过使用基于人工神经网络的机器视觉系统，自动识别并标记在交叉路口发生的交通违章事件，开发了城市道路交叉路口的交通违章事件管理系统。S.Penttila等人使用基于人工神经网络的机器视觉系统，实现了人工智能气体保护金属电弧焊系统参数的自适应控制。然而基于这些传统人工神经网络的机器视觉实现方法需要大量物理节点的大规模随机互连，这就存在训练成本高，硬件实现困难的问题。
储备池计算(reservoir computing,RC)由于其高效及硬件友好等主要优点，成为人工神经网络的一个研究热点。储备池计算通常由输入层、储备池层和输出层三部分构成，仅输出连接权重需要使用简单的训练算法(例如岭回归)进行训练，而输入连接权重和内部连接权重则是随机产生并固定的。与基于神经网络硬件或神经形态硬件的先进技术等其他人工神经网络相比，储备池计算避免了大规模互连的问题，因此储备池计算在硬件实现方面更有潜力。
根据储备池层的结构，储备池计算可分为传统的多节点储备池计算和单节点储备池计算两种类型。传统的多节点储备池计算在其储备池层中有大量的物理节点，这些节点由随机生成并固定的稀疏矩阵连接，输入层通过类似的矩阵将输入信号注入储备池中，输入信号在储备池层中经过不同节点的作用发生非线性映射，最后将每个节点的瞬态响应与训练好的输出连接权重相乘，得到目标结果。上述运算过程复杂繁冗，不利于视频图像的快速识别。
发明内容
本发明为了解决上述提到的问题，提供了一种基于单节点光子储备池计算的动作视频识别方法。
本发明解决其技术问题所采用的技术方案是：构造一种基于单节点光子储备池计算的动作视频识别方法，包括：
基于KTH数据库获取标记好的人体动作视频并进行帧提取，并将标记好的人体动作帧图像划分为训练集和测试集；
构建基于单节点光子储备池计算的视频动作识别网络模型，视频动作识别网络模型包括输入层、储备池层和输出层；通过所述输入层对输入的人体动作帧图像进行预处理，储备池层为带有光放大器、高非线性光纤和自延迟反馈环的多纵模激光器，通过调节光放大器和高非线性光纤使得展宽的光谱覆盖多纵模激光器的所有纵模，对经过预处理的人体动作帧图像进行高维非线性映射；输出层用于输出识别结果；
将作为训练集的人体动作帧图像输入视频动作识别网络模型进行参数调整，至输出的结果为准确识别结果为止，训练完成后将作为测试集的人体动作帧图像输入视频动作识别网络模型，验证视频动作识别网络模型的识别准确性；
将实时获取的人体动作视频帧提取后得到的人体动作帧图像输入至训练好的视频动作识别网络模型，输出结果即为识别结果。
其中，输入层对标记好的人体动作帧图像进行预处理的步骤包括：
对KTH数据库的人体动作视频抽取帧，将各帧从原始的160×120像素裁剪为以人体质心为中心的80×120像素的人体动作帧图像；
对标记好的人体动作帧图像进行方向梯度直方图(HOG)特征提取，将80×120像素的灰度图像转换为540×1的一维特征描述子；
特征描述子经历一个采样保持过程，经过采样保持后的序列和一个指定序列长度的掩模信号相乘；其中，所述掩模信号是N×540维，其元素为随机产生，N为虚拟节点数量；
将得到的N×1维向量输入至光子储备池层中。
其中，混沌掩模信号的元素采集于经过差分处理的白混沌信号。
其中，储备池层的结构包括：驱动激光器、马赫曾德尔调制器、光放大器、高非线性光纤、第一光纤耦合器、可调节光衰减器、光环形器、多纵模激光器和第二光纤耦合器；
其中，输入层输出的数据信号输入至马赫增德尔调制器的数据信号输入端，马赫增德尔调制器的激光信号输入端连接驱动激光器，以接收激光信号，马赫增德尔调制器的输出端连接至光放大器的输入端，光放大器的输出端连接至高非线性光纤的一端，高非线性光纤的另一端连接至第一光耦合器的第一端口a，第一光耦合器的第二端口b连接至可调节光衰减器的一端，可调节光衰减器的另一端连接至第二光耦合器的第一端口g，第二光耦合器的第二端口h连接至输出层，第二光耦合器的第三端口i连接至光环形器的第二端口e，第一光耦合器的第一端口c连接至光环形器的第一端口d，光环形器的第三端口f连接多纵模激光器；由第一光纤耦合器、第二光纤耦合器、可调节光衰减器及光环形器形成自延时反馈环。
其中，在将实时获取的人体动作视频帧提取后得到的人体动作帧图像输入至训练好的视频动作识别网络模型进行结果识别的步骤中，采用赢者通吃的决策策略，将输出向量与对应人体动作进行类别匹配。
区别于现有技术，本发明提出一种基于单节点光子储备池计算的机器视觉实现方法，单节点光子储备池计算由于仅包含一个物理节点，结构简单，硬件友好，而且使用简单的线性回归算法如岭回归训练输出连接权重，训练成本低，是一种非常高效的视频识别方法，克服传统视频识别方法识别正确率较低、结构复杂、硬件不友好、识别成本高及速度缓慢的问题。使用多纵模响应激光器，将输入信号同时映射到多纵模激光器的多个纵模上，并行处理数据，同时虚拟节点数随着纵模数的倍数增加，提高储备池层容量，可以实现更为复杂的任务。使用高非线性光纤有效提高单节点光子储备池计算储备池层的非线性动力学响应丰富度，使储备池维度最大化，提高系统性能。该单节点光子储备池计算在光域中处理和传输信号，不会受限于电子速率瓶颈，结合了光信息处理的高速大容量等特性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的一种基于单节点光子储备池计算的动作视频识别方法的流程示意图。
图2是本发明提供的一种基于单节点光子储备池计算的动作视频识别方法中视频动作识别网络模型的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明做进一步的详细说明。应当理解，此外所描述的具体实施例仅用以解释本发明，但并不用于限定本发明。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都将属于本发明保护的范围。
参照附图1，本发明提供的一种基于单节点光子储备池计算的动作视频识别方法，包括：
基于KTH数据库获取标记好的人体动作视频并进行帧提取，并将标记好的人体动作帧图像划分为训练集和测试集；
构建基于单节点光子储备池计算的视频动作识别网络模型，所述视频动作识别网络模型包括输入层、储备池层和输出层；通过所述输入层对输入的人体动作帧图像进行预处理，储备池层为带有光放大器、高非线性光纤和自延迟反馈环的多纵模激光器，通过调节光放大器和高非线性光纤使得展宽的光谱覆盖多纵模激光器的所有纵模，对经过预处理的人体动作帧图像进行高维非线性映射；输出层用于输出识别结果；
将作为训练集的人体动作帧图像输入视频动作识别网络模型进行参数调整，至输出的结果为准确识别结果为止，训练完成后将作为测试集的人体动作帧图像输入视频动作识别网络模型，验证视频动作识别网络模型的识别准确性；
将实时获取的人体动作视频帧提取后得到的人体动作帧图像输入至训练好的视频动作识别网络模型，输出结果即为识别结果。
本发明实施例以KTH人体动作视频数据库为识别目标任务，使用搭建的单节点光子储备池计算进行识别，实现较好的识别结果。使用由带有延迟光反馈的多纵模F-P激光器作为物理节点的单节点光子储备池计算进行人体动作识别。
为了使被识别视频符合单节点光子储备池计算的输入要求，而对原始视频进行一定的处理。首先对KTH数据库的原始视频抽取帧，然后将各帧从原始的160×120像素裁剪为以人体质心为中心的80×120像素的图像。所使用的KTH数据库是由25位志愿者在4种不同场景中拍摄的6个动作的视频组成，包括拳击、拍手、挥手、慢跑、跑步、散步6个动作。在本发明中，仅研究了4种场景中的室外这种情况。然后，按帧进行了HOG特征提取，每帧可以获得540×1维的特征描述子u(t)作为光子储备池计算的输入信号。
模型结构如图2所述，其中输入层部分设置一乘法器3，用于对输入信号1进行采样保持和掩模处理。特征描述子u(t)在进行采样保持的操作中，每个采样点保持时间θ，然后乘以随机生成且固定的N×540维的掩模信号，其中N是虚拟节点的数量。这里，掩模作为输入信号从输入层到储备池层的输入连接权重。最后，将所得的N×1维向量S(t)＝mask×u(t)注入到单节点光子储备池计算的储备池层中。
其中，混沌掩模信号的元素采集于经过差分处理的白混沌信号。
储备池层的结构包括：驱动激光器4、马赫曾德尔调制器5、光放大器6、高非线性光纤7、第一光纤耦合器8、可调节光衰减器9、光环形器10、多纵模激光器11和第二光纤耦合器16；
其中，输入层输出的数据信号输入至马赫增德尔调制器5的数据信号输入端，马赫增德尔调制器5的激光信号输入端连接驱动激光器4，以接收激光信号，马赫增德尔调制器5的输出端连接至光放大器6的输入端，光放大器6的输出端连接至高非线性光纤7的一端，高非线性光纤7的另一端连接至第一光耦合器8的第一端口a，第一光耦合器8的第二端口b连接至可调节光衰减器9的一端，可调节光衰减器9的另一端连接至第二光耦合器16的第一端口g，第二光耦合器16的第二端口h连接至输出层，第二光耦合器16的第三端口i连接至光环形器10的第二端口e，第一光耦合器8的第一端口c连接至光环形器10的第一端口d，光环形器10的第三端口f连接多纵模激光器11；由第一光纤耦合器8、第二光纤耦合器16、可调节光衰减器9及光环形器10形成自延时反馈环。
在储备池层中，自延迟反馈激光器11作为单节点光子储备池计算的唯一物理节点，包含了人体动作的输入信号S(t)经由马赫曾德尔调制器5调制驱动激光器4的光场，被调制的光场经过光放大器6和高非线性光纤7作用光谱展宽产生超连续谱，通过调节光放大器6和高非线性光纤7使得展宽的光谱可以覆盖响应激光器11的所有纵模，再经过光纤耦合器8和光环形器10注入到多纵模F-P激光器11中，这样产生的超连续谱与响应激光器的各个纵模作用，使各纵模输出均为混沌态，此时输入信号被非线性高维映射到每一个纵模上，通过研究发现响应激光器11的各个纵模的输出具有较弱的相关性，可以认为这些纵模之间独立地对输入信号进行高维非线性映射，即每一个纵模之间并行处理信息，每一个纵模功能等价于一个子储备池层。然后，响应激光器的一部分输出光经过τ时间延迟后又反馈回响应激光器11中，输入信号可以在反馈环中循环n次，在n次循环中通过S(t)中对应输入元素更新每个虚拟节点的瞬态响应。多延迟时间即表现为延迟反馈环中循环n次，即在不增加延迟反馈环长度的和系统采样率的基础上，可以大量扩展虚拟节点数。最终输入信号通过唯一的物理节点被非线性映射到高维状态空间，获得了一个N维向量x(t)，该向量表示N个虚拟节点的瞬态响应。具体的，如式(2)-(4)所示，使用Lang-Kobayashi方程描述这个过程：
Figure GDA0003546745490000071
Figure GDA0003546745490000072
Figure GDA0003546745490000073
其中Ed和Er分别是驱动激光器和响应激光器电场强度，Nr是响应激光器载流子密度，α是线宽增强因子,GN是增益系数，N0是透明载流子密度，ε是饱和系数，τp是光子寿命，τs是载流子寿命，κ是反馈强度，κinj是驱动激光器到响应激光器的注入强度，τi是激光器腔内往返时间，ωd和ωr分别是驱动激光器和响应激光器的光学角频率，Jr是从激光器电流，τ是反馈环延迟时间。
如表1所示，列出了搭建用于人体动作识别的单节点光子储备池计算的关键参数值：
Figure GDA0003546745490000081
表1人体动作视频识别单节点光子储备池计算关键参数
被调制的光场经过光放大器6和高非线性光纤7作用光谱展宽产生超连续谱，通过调节光放大器6和高非线性光纤7使得展宽的光谱可以覆盖响应激光器11的所有纵模，再经过光纤耦合器8和光环形器10注入到多纵模F-P激光器11中，这样产生的超连续谱与响应激光器的各个纵模作用，使各纵模输出均为混沌态，此时输入信号被非线性高维映射到每一个纵模上，通过研究发现响应激光器11的各个纵模的输出具有较弱的相关性，可以认为这些纵模之间独立地对输入信号进行高维非线性映射，即每一个纵模之间并行处理信息，每一个纵模功能等价于一个子储备池层。使用多纵模响应激光器的多个纵模并行处理信息，虚拟节点数和处理速率倍数提高，增加系统容量。
输出层设置了光电探测器阵列14和波分复用器15，其中波分复用器15一端连接第二光耦合器16的第二端口h，经过波分复用后，输出至光电探测器阵列14，光电探测器阵列14的输出结果进行加权求和后输出识别结果。输出层用于读出储备池层的高维瞬态响应，以及结合一定的决策策略完成对视频的识别。在输出层中，通过波分复用器15将多个纵模的瞬态响应分别读出，多个纵模上的所有瞬态响应通过输出连接权重Wout加权求和，最后形成6×1维输出向量y(t)＝Wout×x(t)，采用赢者通吃的决策策略，将系统输出与人体动作行为匹配。具体地，对于某个被识别的动作视频对象，将最终的识别结果判定为视频中大部分帧被识别为的类别。这里以拳击动作为例，如果对于这种行为的某个视频，单节点光子储备池计算将视频中的87％帧识别为拳击行为，而将其余13％的帧识别为其它行为，那么根据赢者通吃的原则，该视频最终被识别为拳击。在本发明中，采用岭回归算法来训练输出连接权重，归因于岭回归算法的快捷和总是收敛的特点，使得储备池计算训练成本极大的降低。在本发明中，数据库中60％的样本组成训练数据集被用于训练系统，剩下40％的样本作为测试数据集用于验证系统性能。最后，使用识别错误率(ER)来评估该单节点光子储备池计算的性能，如下(1)式所示。式中m是测试数据集的全部视频的数量，而d是被错误识别的视频的数量。
Figure GDA0003546745490000091
其中，m为验证数据集的样本总数，d为识别错误的样本数。
基于本发明的单节点光子储备池计算的视频识别方法，给出了其在KTH人体动作视频数据库上的典型识别结果，如表2所列。我们以慢跑的测试结果为例，慢跑类的所有测试视频中有2％的视频被错误地识别为跑步，而剩下的98％的视频全部被正确地识别为慢跑。拍手和跑步测试类的视频均被正确地识别，综合所有识别结果，单节点光子储备池计算在人体动作视频识别任务中的识别错误率为1％，即识别正确率可以达到99％。
Figure GDA0003546745490000101
表2基于单节点光子储备池计算的人体动作识别的典型结果
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (5)

1.一种基于单节点光子储备池计算的动作视频识别方法，其特征在于，包括：
基于KTH数据库获取标记好的人体动作视频并进行帧提取，并将标记好的人体动作帧图像划分为训练集和测试集；
构建基于单节点光子储备池计算的视频动作识别网络模型，视频动作识别网络模型包括输入层、储备池层和输出层；通过所述输入层对输入的人体动作帧图像进行预处理，储备池层为带有光放大器、高非线性光纤和自延迟反馈环的多纵模激光器，通过调节光放大器和高非线性光纤使得展宽的光谱覆盖多纵模激光器的所有纵模，对经过预处理的人体动作帧图像进行高维非线性映射；输出层用于输出识别结果；
将作为训练集的人体动作帧图像输入视频动作识别网络模型进行参数调整，至输出的结果为准确识别结果为止，训练完成后将作为测试集的人体动作帧图像输入视频动作识别网络模型，验证视频动作识别网络模型的识别准确性；
将实时获取的人体动作视频帧提取后得到的人体动作帧图像输入训练好的视频动作识别网络模型，输出结果即为识别结果。
2.根据权利要求1所述的基于单节点光子储备池计算的动作视频识别方法，其特征在于，输入层对标记好的人体动作帧图像进行预处理的步骤包括：
对KTH数据库的人体动作视频抽取帧，将各帧从原始的160×120像素裁剪为以人体质心为中心的80×120像素的人体动作帧图像；
对标记好的人体动作帧图像进行方向梯度直方图特征提取，将80×120像素的灰度图像转换为540×1的一维特征描述子；
特征描述子经历一个采样保持过程，经过采样保持后的序列和一个指定序列长度的掩模信号相乘；其中，所述掩模信号是N×540维，其元素为随机产生，N为虚拟节点数量；
将得到的N×1维向量输入至光子储备池层中。
3.根据权利要求2所述的基于单节点光子储备池计算的动作视频识别方法，其特征在于，混沌掩模信号的元素采集于经过差分处理的白混沌信号。
4.根据权利要求1所述的基于单节点光子储备池计算的动作视频识别方法，其特征在于，储备池层的结构包括：驱动激光器、马赫曾德尔调制器、光放大器、高非线性光纤、第一光纤耦合器、可调节光衰减器、光环形器、多纵模激光器和第二光纤耦合器；
其中，输入层输出的数据信号输入至马赫增德尔调制器的数据信号输入端，马赫增德尔调制器的激光信号输入端连接驱动激光器，以接收激光信号，马赫增德尔调制器的输出端连接至光放大器的输入端，光放大器的输出端连接至高非线性光纤的一端，高非线性光纤的另一端连接至第一光纤耦合器的第一端口a，第一光纤耦合器的第二端口b连接至可调节光衰减器的一端，可调节光衰减器的另一端连接至第二光纤耦合器的第一端口g，第二光纤耦合器的第二端口h连接至输出层，第二光纤耦合器的第三端口i连接至光环形器的第二端口e，第一光纤耦合器的第一端口c连接至光环形器的第一端口d，光环形器的第三端口f连接多纵模激光器；由第一光纤耦合器、第二光纤耦合器、可调节光衰减器及光环形器形成自延时反馈环。
5.根据权利要求1所述的基于单节点光子储备池计算的动作视频识别方法，其特征在于，在将实时获取的人体动作视频帧提取后得到的人体动作帧图像输入训练好的视频动作识别网络模型进行结果识别的步骤中，采用赢者通吃的决策策略，将输出向量与对应人体动作进行类别匹配。
CN202110597541.7A 2021-05-31 2021-05-31 一种基于单节点光子储备池计算的动作视频识别方法 Active CN113343813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110597541.7A CN113343813B (zh) 2021-05-31 2021-05-31 一种基于单节点光子储备池计算的动作视频识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110597541.7A CN113343813B (zh) 2021-05-31 2021-05-31 一种基于单节点光子储备池计算的动作视频识别方法

Publications (2)

Publication Number Publication Date
CN113343813A CN113343813A (zh) 2021-09-03
CN113343813B true CN113343813B (zh) 2022-05-10

Family

ID=77472615

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110597541.7A Active CN113343813B (zh) 2021-05-31 2021-05-31 一种基于单节点光子储备池计算的动作视频识别方法

Country Status (1)

Country Link
CN (1) CN113343813B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114460580A (zh) * 2022-01-12 2022-05-10 苏州大学 基于半导体激光器的微波光子成像识别一体化雷达系统
CN114548393B (zh) * 2022-02-25 2024-05-17 太原理工大学 一种大操作空间的储备池计算高速信息处理系统
CN115865191A (zh) * 2022-11-24 2023-03-28 鹏城实验室 一种光包头识别系统、集成芯片以及识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN112364697A (zh) * 2020-10-14 2021-02-12 陕西师范大学 基于r-lstm模型的脑电信号情绪识别方法
CN112424796A (zh) * 2018-06-05 2021-02-26 光子智能股份有限公司 光电计算系统
CN112669193A (zh) * 2019-09-30 2021-04-16 英特尔公司 使用本地和基于云的处理资源的实时图形处理设备和方法
CN112822003A (zh) * 2021-01-07 2021-05-18 太原理工大学 一种基于储备池计算的激光混沌同步保密通信方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200311532A1 (en) * 2019-04-01 2020-10-01 The Regents Of The University Of California Lambda-reservoir computing

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN112424796A (zh) * 2018-06-05 2021-02-26 光子智能股份有限公司 光电计算系统
CN112669193A (zh) * 2019-09-30 2021-04-16 英特尔公司 使用本地和基于云的处理资源的实时图形处理设备和方法
CN112364697A (zh) * 2020-10-14 2021-02-12 陕西师范大学 基于r-lstm模型的脑电信号情绪识别方法
CN112822003A (zh) * 2021-01-07 2021-05-18 太原理工大学 一种基于储备池计算的激光混沌同步保密通信方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Human action recognition with a large-scale brain-inspired photonic computer;Antonik, P等;《Nat Mach Intell 1》;20191112;第530–537页 *
利用光反馈多模激光器结合滤波器产生平坦混沌;李锟影等;《物理学报》;20191231;第68卷(第11期);第42-48页 *
基于Mackey-Glass混沌储备池计算的种子图像识别;岳荷荷等;《物联网技术》;20191231;第9卷(第3期);第27-30页 *
基于单节点光子储备池计算的图像与视频识别技术研究;胡春强;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20220115(第01期);第I138-2967页 *

Also Published As

Publication number Publication date
CN113343813A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113343813B (zh) 一种基于单节点光子储备池计算的动作视频识别方法
Agrawal et al. C-vqa: A compositional split of the visual question answering (vqa) v1. 0 dataset
CN111368943B (zh) 图像中对象的识别方法和装置、存储介质及电子装置
CN109299701B (zh) 基于gan扩充多人种特征协同选择的人脸年龄估计方法
CN111737535B (zh) 一种基于元结构和图神经网络的网络表征学习方法
CN113343814B (zh) 一种基于单节点光子储备池计算的手写数字图像识别方法
CN110390308B (zh) 一种基于时空对抗生成网络的视频行为识别方法
CN113011387B (zh) 网络训练及人脸活体检测方法、装置、设备及存储介质
CN113011167B (zh) 基于人工智能的作弊识别方法、装置、设备及存储介质
Jha et al. A novel approach on visual question answering by parameter prediction using faster region based convolutional neural network
CN110096617A (zh) 视频分类方法、装置、电子设备及计算机可读存储介质
CN116206306A (zh) 一种类间表征对比驱动的图卷积点云语义标注方法
CN116363748A (zh) 基于红外-可见光图像融合的电网现场作业一体管控方法
CN116310683A (zh) 一种基于注意力机制的特征融合目标跟踪方法
CN111444957B (zh) 图像数据处理方法、装置、计算机设备和存储介质
Guo et al. Varied channels region proposal and classification network for wildlife image classification under complex environment
CN116721458A (zh) 一种基于跨模态时序对比学习的自监督动作识别方法
CN115965968A (zh) 基于知识引导的小样本目标检测识别方法
Li et al. A deep learning model enabled multi-event recognition for distributed optical fiber sensing
CN111935259A (zh) 目标帐号集合的确定方法和装置、存储介质及电子设备
CN114140524A (zh) 一种多尺度特征融合的闭环检测系统及方法
Meszmer et al. Ai surrogate models for error analysis in optical systems
CN113392786A (zh) 基于归一化和特征增强的跨域行人重识别方法
CN117435995B (zh) 一种基于残差图网络的生物医药分类方法
Gao et al. Learning feature fusion for target detection based on polarimetric imaging

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