CN113673601B - 一种行为识别方法、装置、存储介质及电子设备 - Google Patents
一种行为识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113673601B CN113673601B CN202110968343.7A CN202110968343A CN113673601B CN 113673601 B CN113673601 B CN 113673601B CN 202110968343 A CN202110968343 A CN 202110968343A CN 113673601 B CN113673601 B CN 113673601B
- Authority
- CN
- China
- Prior art keywords
- sub
- network
- basic
- behavior
- target
- 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
Links
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种行为识别方法、装置、存储介质及电子设备。一种行为识别方法、装置、存储介质及电子设备,通过行为识别模型中的选择子网络,从各待匹配子网络中选择出用于调整基础特征的匹配子网络,得到数据量较少的目标特征,使得行为分类子网络根据目标特征消耗较少的计算资源从预先设定的各行为类型中选择出目标对象的目标行为类型。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种行为识别方法、装置、存储介质及电子设备。
背景技术
随着图像处理技术的进步,以及深度摄像机等采集设备的普及,行为识别已成为计算机视觉领域的重要课题。
在基于骨骼点数据的行为识别方面,为了提高识别准确率,往往需要将包含大量骨骼点数据的特征输入识别模型才能保证识别的准确性。
但识别不同行为所需要的特征的数据量并不相同,例如,识别精细动作诸如梳头所需的特征的数据量较大,而识别整体性较强的动作诸如向左走或向右走时,根据数据量较少的特征即可准确识别。
可以看出,如何减少对冗余的数据进行计算,从而避免计算资源的浪费,是一个亟待解决的问题。
发明内容
本说明书提供一种行为识别方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种行为识别方法,包括:
根据所采集到的目标对象的肢体节点的位置数据,通过预先训练的行为识别模型,确定出目标对象的基础特征;
根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型中用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络;
将所述基础特征输入所选择出的匹配子网络,通过匹配子网络对所述基础特征进行调整,得到调整后的目标特征,其中,所述目标特征的数据量小于所述基础特征的数据量;
将所确定出的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出目标对象的目标行为类型。
可选地,根据所述基础特征,根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型中用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络,具体包括:
将所述基础特征输入所述行为识别模型中的预处理子网络,以所述预处理子网络中的预处理参数对所述基础特征进行调整,并将调整后的基础特征输入所述预处理子网络中的第一特征提取层,其中,以所述预处理参数调整后的基础特征的数据量小于被调整前的基础特征的数据量;
根据以所述预处理参数调整后的基础特征,通过所述第一特征提取层,提取出所述目标对象的预处理特征;
将所述预处理特征输入至所述选择子网络,通过所述选择子网络,从所述行为识别模型中用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络。
可选地,针对每个待匹配子网路,该待匹配子网络中包括待匹配参数和第二特征提取层;
通过匹配子网络对所述基础特征进行调整,得到调整后的目标特征,具体包括:
以匹配子网络中的匹配参数对输入所述匹配子网络的基础特征进行调整;
将以所述匹配参数调整后的基础特征输入所述匹配子网络的第二特征提取层,通过所述第二特征提取层,提取出所述目标对象的目标特征。
可选地,针对每个待匹配子网络,以该待匹配子网络中所包含的待匹配参数调整后的基础数据的数据量,以及该待匹配子网络中所包括的第二特征提取层中的网络层数,其中至少一个与其他任一待匹配子网络不同。
可选地,所述目标对象的基础特征为所述目标对象在预设时段内每一时刻的基础特征;
将所确定出的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出目标对象的目标行为类型,具体包括:
将根据目标对象在预设时段内各时刻的基础特征确定出的目标对象在预设时段内各时刻的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出目标对象在所述预设时段内的目标行为类型。
可选地,根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型包含的用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络,具体包括:
针对预设时段内的每一时刻,获取根据该时刻目标对象的基础特征所确定出的该时刻的预处理特征;
将所获取到的各时刻的预处理特征输入所述选择子网络的特征聚合层,得到各预处理特征所聚合出的所述目标对象在所述预设时段内的基础时段特征,并将所述基础时段特征输入所述选择子网络的卷积层;
根据所述基础时段特征,通过所述卷积层,得到所述目标对象在所述预设时段内的基础时间融合特征,并将所述基础时间融合特征划分为所述目标对象在各时刻的基础时间融合子特征;
针对所述预设时段内的每一时刻,将该时刻的基础时间融合子特征输入所述选择子网络的选择分类层,通过所述选择分类层,根据该时刻的基础时空融合子特征,从所述行为识别模型中的各待匹配子网络中选择出用于调整该时刻的基础特征的匹配子网络。
可选地,预先训练行为识别模型,具体包括:
根据所获取到的样本对象在历史上肢体节点的位置数据,通过行为识别模型,确定出所述样本对象的基础特征;
根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型包含的用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络;
以对应的匹配子网络对所述基础特征进行调整,并通过所述行为识别模型,根据调整后的基础特征确定出所述目标对象的目标特征,其中,所述目标特征的数据量小于所述基础特征的数据量;
将所确定出的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出样本对象的目标行为类型;
以所选择出的样本对象的目标行为类型与预先为所述样本对象标注的标注行为类型之间的差异最小为目标,和/或,以确定所述目标行为类型所消耗的计算资源最小为目标,调整所述行为识别模型中的参数。
可选地,所述方法还包括:
确定作为标准对象的样本对象,以及标准对象所包括的各肢体节点;
针对每个待匹配参数,确定预先为该待匹配参数所设定的指定节点数;
以所述指定节点数为聚类后所得到的簇的个数,对所述标准对象的各肢体节点进行聚类,得到的由肢体节点所构成的各节点簇;
根据各节点簇中所包括的肢体节点在所述标准对象的肢体中的位置,将所述标准对象划分的划分为指定节点数个肢体区域,其中,每个肢体区域中包括该肢体区域对应的节点簇中的各肢体节点;
根据各肢体区域中的各肢体节点,确定出该待匹配参数中各元素数值,其中,以该待匹配参数调整后的基础特征中所包括的各肢体节点中,位于每一肢体区域的肢体节点的数量不小于预先设定的数量阈值。
本说明书提供了一种行为识别装置,包括:
特征确定模块,用于根据所采集到的目标对象的肢体节点的位置数据,通过预先训练的行为识别模型,确定出目标对象的基础特征;
目标选择模块,用于根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型中用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络;
特征调整模块,用于将所述基础特征输入所选择出的匹配子网络,通过匹配子网络对所述基础特征进行调整,得到调整后的目标特征,其中,所述目标特征的数据量小于所述基础特征的数据量;
行为选择模块,用于将所确定出的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出目标对象的目标行为类型。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述行为识别方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述行为识别方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的行为识别方法中,通过行为识别模型中的选择子网络,从各待匹配子网络中选择出用于调整基础特征的匹配子网络,得到数据量较少的目标特征,使得行为分类子网络根据目标特征消耗较少的计算资源从预先设定的各行为类型中选择出目标对象的目标行为类型。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的一种行为识别模型的示意图;
图2为本说明书提供的一种行为识别方法的流程示意图;
图3为本说明书提供的一种行为识别模型的训练流程的示意图;
图4为本说明书提供的一种行为识别装置的示意图;
图5为本说明书提供的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
基于如图1所示的行为识别模型,本说明书实施例提供了如图2所示的一种行为识别方法的流程示意图,具体包括以下步骤:
S200:根据所采集到的目标对象的肢体节点的位置数据,通过预先训练的行为识别模型,确定出目标对象的基础特征。
本说明书中所述的执行主体可以被设置为服务器或终端设备,其中,所述服务器可以为集群式服务器或分布式服务器等,而当执行主体为终端设备时,则可以被设置为任一现有形式的终端设备,例如可以为手机、平板电脑等。
本说明书实施例中所述的行为识别方法可以通过机器学习模型实现,为了描述方便,以下将执行本说明书所述的行为识别方法的机器学习模型成为行为识别模型。所述行为识别模型可以由若干个子网络构成,其中,每个子网络可以采用任一现有的机器学习模型,例如卷积神经网络(Convolutional Neural Network,CNN)等,本说明书对此不作限制。
在执行步骤S200之前,需要先采集包含目标对象的数据。
本说明书一实施例中,采集设备所采集到的目标对象的数据可以包括目标对象在一段预设时段内的数据。
根据所使用的采集设备不同,本说明书一实施例中,所采集到的数据的类型可以为图像类型以及点云类型等,其中,采集图像类型的数据的图像采集设备可以包括照相机、摄像头等,而采集点云类型数据的点云采集设备可以包括各类型的雷达,诸如激光雷达、超声波雷达等,本说明书实施例中对于如何采集包含目标对象的数据不作限制。
接着,可以对采集设备所采集到的目标对象的数据进行处理,得到目标对象的各肢体节点的位置数据。本说明书实施例中,目标对象为需要识别行为的对象,根据所处场景不同,所述目标对象可以为行人、病人、宠物等等,本说明书对此不作限制,目标对象的肢体节点分布在目标对象的肢体上,例如可以为目标对象的骨骼点。而对于如何处理所采集到的目标对象的数据以得到所述目标对象的位置数据,本说明书实施例并不限制。
承上例,当采集设备所采集到的数据为目标对象在一段预设时段内的数据时,通过任一现有的方式,可以得到目标对象在该预设时段内各时刻,各肢体节点的位置数据。
此时,本说明书一实施例中,可以根据目标对象在每一时刻,各肢体节点的位置数据进行特征提取,并得到目标对象在该时刻的基础特征,所述基础特征用于表征所述目标对象在对应的时刻各肢体节点的位置,可以理解为所述基础特征为目标对象的各肢体节点的空间特征,示例性的,可以确定出的目标对象在该时刻的各肢体节点的节点特征,并将所确定出的各肢体节点的节点特征拼接为目标对象确定出在该时刻的基础特征。
通常来说,由于所确定出的目标对象的基础特征表征了目标对象的各肢体节点的空间特征,同时,每一肢体节点在所采集的预设时段的各时刻存在着时间特征,则可以根据提取到的目标对象的基础特征识别出目标对象在预设时段内的行为,例如,可以直接将预设时段内目标对象在各时刻的基础特征输入预先训练的分类器,所述分类器的预设分类为各行为类别,然后,可以直接根据分类器输出的分类结果确定出目标对象的行为类别。
但由于所确定出的基础特征的数据量通常较大,直接根据基础特征进行识别难免需要占用较多的计算资源,还会消耗较长的识别时间。
因此,本说明以下步骤S202-步骤S204中,采用行为识别模型中的选择子网络从各待匹配子网络选择出用于调整基础特征的匹配子网络,以使调整后根据数据量小于基础特征的目标特征,从预先设定的各行为类型中选择出目标对象的目标行为类型。
S202:根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型中用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络。
S204:将所述基础特征输入所选择出的匹配子网络,通过匹配子网络对所述基础特征进行调整,得到调整后的目标特征,其中,所述目标特征的数据量小于所述基础特征的数据量。
本说明书实施例中预先设定有若干个待匹配子网络,根据基础特征,通过行为识别模型中的选择子网络从各待匹配子网络中选择出所述基础特征对应的匹配子网络,然后,以对应的匹配参数对所述基础特征进行调整,并通过所述行为识别模型,根据调整后的基础特征确定出所述目标对象的目标特征。
本说明一实施例中,每个待匹配子网络中包括用于调整基础特征的待匹配参数。
可以理解的,以各待匹配子网络对基础特征进行调整时,每个待匹配子网络中的待匹配参数对基础特征进行调整所得到的调整后的基础特征可以不同,示例性的,各待匹配参数可以为预先设定的加权矩阵,而所述各待匹配参数的矩阵规模可以不同,各待匹配参数中各元素的数值也可以不同。以待匹配参数对基础特征进行加权,当各待匹配参数的规模(即矩阵的行数或列数)不同时,则加权后的待匹配参数的数据量并不相同,而当待匹配参数中各元素的数值不同时,加权后的基本特征的特征值则并不相同。
举例而言,当基础特征由目标对象所包括的各肢体节点的节点特征拼接而成时,通过将各待匹配参数布置为不同规模的矩阵,可以改变出调整后的基本特征中所包含用于描述多少数量的肢体节点的特征,或者改变在调整后的基本特征中,每一肢体节点的节点特征所包含的元素个数,而通过布置各待匹配参数中的元素的数值,则可以改变调整后的基本特征的元素数值。
基于此,本说明书一实施例中,示例性提供两种待匹配参数的设置方式:
第一种,可以将各待匹配参数设置为规模不同的参数矩阵,以使以各待匹配参数调整后的基础特征的数据量不同;
第二种,可以将各待匹配参数中的元素设置为并不相同的元素,例如,可以将待匹配参数设置为对基础特征的某一肢体区域中所包含的肢体节点的节点特征数值进行增强、平均等。
当然,还可以同时采用上述两种待匹配参数的设置方式来设定各待匹配参数,例如,各待匹配参数中可以有若干个规模相同的参数,但参数规模相同的各待匹配参数中所包含的元素并不相同。
本说明书一实施例中,所述各待匹配子网络中可以还包括若干预设的各第二特征提取层,所述选择子网络还可以通过选择匹配子网络,为所述基础特征选择出匹配子网络中的第二特征提取层作为所述基础特征对应的第二特征提取层,如图1所示,在得到由基础特征对应的匹配参数所调整后的基础特征之后,将调整后的基础特征输入对应的第二特征提取层,并得到所提取出的所述目标对象的目标特征。
本说明书一实施例中,各第二特征提取层中所包含的网络层数可以并不相同,即各第二特征提取层的深度不同,在此情形下,由各第二特征提取层进行目标特征的提取所消耗的计算资源则也不相同。
本说明书一实施例中,针对每个待匹配子网络,相比于其他任一待匹配子网络,该待匹配子网络中所包含的待匹配参数和第二特征提取层中的至少一个与该其他待匹配子网络不同。其中,当待匹配参数不同时,可以为待匹配参数的规模不同,和/或待匹配参数中所包含的元素的数值不同,而当待匹配子网络中的第二特征提取层不同时,可以是第二特征提取层中所包含的网络层数不同等。
正是因为各待匹配参数以及各第二特征提取层不相同,才需要针对每个目标对象的基础特征,通过选择子网络从各匹配子网络中选择出合适处理所述基础特征的对应的匹配子网络。例如,当基于较少的特征即可识别出目标行为分类时,诸如向左走或向右走,则可以为该基础特征选择以匹配参数调整后的基础特征的数据量较小匹配子网络,或所包含的第二特征提取层的层数较少的匹配子网络等等。此外,本说明书实施例对于如何根据基础特征来选择匹配子网络不作限制。所述选择子网络可以为任一现有的机器学习模型,例如全连接层(fully connected layers,FC),也可以为由若干现有的机器学习模型构成的子网络。
本说明书实施例中,当所述行为识别模型中任一子网络由分类器构成时,由于预先设定的各预设分类为有限个数个的类别,因此,难以采用通用的argmax函数确定出唯一的分类结果,本说明书一实施例中,可以采用根据求离散函数最值点的Gumbel-Softmax对argmax进行近似,以使分类器所输出的分类结果为唯一的预设类别。
而对于目标对象来说,其在被采集数据的预设时段内的每一时刻,各肢体节点的位置数据可能差异较大,而每一时刻的位置数据中由包含了目标对象在该时刻的空间特征,因此,本说明书实施例以下部分,仅示例性地以在选择对应的匹配子网络时,为每一时刻选择出对应的匹配子网络,以通过该时刻的基础特征对应的匹配子网络确定出该时刻的目标特征。
此外,各待匹配参数可以多种多样,本说明书示例性提供一种指定参数的设置方法,具体的,确定作为标准对象的样本对象,以及标准对象所包括的各肢体节点;针对每个待匹配参数,确定预先为该待匹配参数所设定的指定节点数;以所述指定节点数为聚类后所得到的簇的个数,对所述标准对象的各肢体节点进行聚类,得到的由肢体节点所构成的各节点簇;根据各节点簇中所包括的肢体节点在所述标准对象的肢体中的位置,将所述标准对象划分的划分为指定节点数个肢体区域,其中,每个肢体区域中包括该肢体区域对应的节点簇中的各肢体节点;根据各肢体区域中的各肢体节点,确定出该待匹配参数中各元素数值,其中,以该待匹配参数调整后的基础特征中所包括的各肢体节点中,位于每一肢体区域的肢体节点的数量不小于预先设定的数量阈值。
本说明书一实施例中,所述数量阈值可以包括上限阈值和下限阈值,除了可以使位于每一肢体区域的肢体节点的数量不小于预先设定的下限阈值,还可以设置位于每一肢体区域的肢体节点的数量超过预先设定的上限阈值,本说明书实施例对于为各待匹配参数所预先设定的上限阈值和下限阈值的数值不作限制。
例如,当基础特征为所包含的各肢体节点的节点特征的综合时,本说明书一实施例中,以所对应的指定节点数为5的待匹配参数进行调整,调整后的基础特征所包含的肢体节点数为5,并且五个肢体节点分别位于由上述任一方式聚类得到的五个肢体区域中。
本说明书一实施例中,在确定出目标对象对应的匹配参数后,所述目标对象的每个肢体区域中包括一个以所述匹配参数调整后的基础特征汇总所包含的肢体节点。
可以看出,所述指定节点数即为以对应的待匹配参数加权之后,基础特征中包含描述多少数量的肢体节点的特征,本说明书一实施例中,通过以指定节点数为指定参数的行数或列数,可以使得调整后的基础特征中包括指定节点数个肢体节点的节点特征,在此情境下,由于需要减小基础特征的数据量,本说明书一实施例中,为基础特征所选择出的待匹配参数对应的指定节点数小于基础特征中所描述的特征对应的肢体节点的数量。
接着,将根据目标参数调整后的基础特征输入对应的匹配子网络中的第二特征提取层,并得到第二特征提取层输出的目标特征,所述第二特征提取层可以为任一现有的机器学习模型,例如CNN、池化层(pooling)等等,本说明书对此不作限制。
当然,当目标对象每一时刻的基础特征所输入的为该时刻对应的匹配子网络时,可以由各时刻的匹配子网络输出所述目标对象在各时刻的目标特征。
S206:将所确定出的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出目标对象的目标行为类型。
所述行为分类子网络可以为任一现有的机器学习模型,诸如全连接层等,根据所输入的目标特征,行为分类子网络可以从预先设定的各行为类型中选择出目标对象的目标行为类型,本说明书对此不作赘述。
当输入所述行为分类子网络的目标特征为目标对象在预设时段内各时刻的目标特征时,通过所述行为分类子网络,根据各时刻的目标特征,从预先设定的各行为类型中选择出目标对象在所述预设时段内的目标行为类型。
仅示例性的,所述分类子网络中可以包括有特征聚合层,以将各时刻的目标特征聚合为目标对象在时刻的目标时段特征,并将所述目标时段特征输入所述分类子网络中的卷积层,以通过所述卷积层时间序列上对所述目标时段特征进行卷积,以得到卷积后的目标时间融合特征,具体的,可以确定出仅在时间维度上长度大于一,而目标时段特征中其他各维度上的长度均为一的卷积窗,并以该卷积窗对所述目标时段特征进行卷积,然后,可以将所述目标时间融合特征输入所述行为分类子网络的选择分类层,以得到所述选择分类层对于所述目标时间融合特征的分类结果,即从预先设置的各行为类型中选择出目标对象的目标行为类型。
基于如图1所述的行为识别模型,采用如图2所述的行为识别方法,通过行为识别模型中的选择子网络,从各待匹配子网络中选择出用于调整基础特征的匹配子网络,得到数据量较少的目标特征,使得行为分类子网络根据目标特征消耗较少的计算资源从预先设定的各行为类型中选择出目标对象的目标行为类型。
本说明书一实施例中,当不对基础特征进行处理,而直接根据基础特征通过所述选择子网络来选择匹配参数时,难免导致选择匹配参数所需的计算资源较多,本说明书一实施例中,可以在确定基础特征之后,先对基础特征进行预处理,并将所得到的数据量小于基础特征的预处理特征输入所述选择子网络,以使选择子网络根据所述预处理特征输出为所述基础特征选择出的匹配子网络。
具体的,所述预处理子网络可以包括预处理参数,以及第一特征提取层,在将所述基础特征输入所述行为识别模型中的预处理子网络之后,可以以所述预处理子网络中的预处理参数对所述基础特征进行调整,并将调整后的基础特征输入所述预处理子网络中的第一特征提取层;根据以所述预处理参数调整后的基础特征,通过所述第一特征提取层,提取出所述目标对象的预处理特征。
然后,可以将所述预处理特征输入至所述选择子网络,通过所述选择子网络,从所述行为识别模型中的各待匹配子网络中选择出用于调整所述基础特征的匹配子网络。
其中,本说明书并不限制所述预处理子网络中预处理参数为何种参数,所述第一特征提取层可以为任一现有的机器学习模型,诸如pooling层等等。
本说明书实施例示例性提供一种由特征聚合层、卷积层以及选择分类层所构成的选择子网络,需要说明的是,选择子网络中的任一子网络(特征聚合层、卷积层以及选择分类层)并不相当于行为分类子网络中所包括的同名子网络,本说明书实施例所提供的选择子网络以及行为分类子网络为分别独立的两个子网络,具体的,各子网络中的参数可以不同。
可以将所述预处理子网络所输出的各时刻的预处理特征输入所述选择子网络的特征聚合层,其中,所述各时刻的预处理特征是根据目标对象在预设时段内各时刻的基础特征所预处理得到的。
接着,选择子网络中的特征聚合层可以将各时刻的预处理特征聚合为目标对象在所述预设时段内的基础时段特征,并将基础时段特征输入所述选择子网络的卷积层,通过所述选择子网络的卷积层,在时间序列上对所述基础时段特征进行卷积,具体的,可以确定出仅在时间维度上长度大于一,而基础时段特征中其他各维度上的长度均为一的卷积窗,并以该卷积窗对所述基础时段特征进行卷积,并得到基础时间融合特征,接着,再根据目标对象在该时刻的基础特征与所述基础时间融合特征之间的映射,即所述基础时间融合特征中的各元素是通过对于基础时段特征中哪一部分进行卷积得到的,根据所述基础时间融合特征划分出目标对象在每一时刻的基础时间融合子特征,然后,针对每一时刻,将目标对象在该时刻的基础时间融合子特征输入所述选择子网络的选择分类层,根据所述选择子网络的选择分类层所输出的分类结果,从各待匹配子网络中选择出用于调整该时刻的基础特征的匹配子网络。
在采用所述行为识别模型进行识别之前,可以采用样本对象预先对所述行为识别模型进行训练,即调整所述行为识别模型中所包括的各参数,具体的,本说明书还提供以下实施例以对训练行为识别模型进行说明,行为识别模型的训练流程图如图3所示:
S300:根据所获取到的样本对象在历史上肢体节点的位置数据,通过行为识别模型,确定出所述样本对象的基础特征。
S302:根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型包含的用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络。
S304:将所述基础特征输入所选择出的匹配子网络,通过匹配子网络对所述基础特征进行调整,得到调整后的目标特征,其中,所述目标特征的数据量小于所述基础特征的数据量。
S306:将调整后的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出样本对象的目标行为类型。
S308:以所选择出的样本对象的目标行为类型与预先为所述样本对象标注的标注行为类型之间的差异最小为目标,和/或,以确定所述目标行为类型所消耗的计算资源最小为目标,调整所述行为识别模型中的参数。
需要说明的是,在根据上述任一方式调整所述行为识别模型中所包含的参数之前,需要对各参数进行初始化,本说明书实施例以上提供了一种通过对作为标准对象的样本对象中所包含的肢体节点进行聚类的方式,实现各指定子网络中所包含的指定参数进行初始化,具体的,确定作为标准对象的样本对象,以及标准对象所包括的各肢体节点;针对每个待匹配参数,确定预先为该待匹配参数所设定的指定节点数;以所述指定节点数为聚类后所得到的簇的个数,对所述标准对象的各肢体节点进行聚类,得到的由肢体节点所构成的各节点簇;根据各节点簇中所包括的肢体节点在所述标准对象的肢体中的位置,将所述标准对象划分的划分为指定节点数个肢体区域,其中,每个肢体区域中包括该肢体区域对应的节点簇中的各肢体节点;根据各肢体区域中的各肢体节点,确定出该待匹配参数中各元素数值,其中,以该待匹配参数调整后的基础特征中所包括的各肢体节点中,位于每一肢体区域的肢体节点的数量不小于预先设定的数量阈值。
此外,本说明书实施例对于如何对其他各参数进行初始化不作限制。
另一方面,由于可以以所选择出的样本对象的目标行为类型与预先为所述样本对象标注的标注行为类型之间的差异最小为目标,和/或,以确定所述目标行为类型所消耗的计算资源最小为目标,调整所述行为识别模型中的参数,本说明书一实施例中,当同时根据上述目标行为类型和标注行为类型的差异以及进行识别所消耗的计算资源进行参数调整时,可以为所述差异以及所述计算资源分别设定对应的权重,并以加权后的所述差异及所述计算资源之和最小为目标,对所述行为识别模型中的参数进行调整。
以上为本说明书的一个或多个实施例提供的行为识别方法,基于同样的思路,本说明书还提供了相应的行为识别装置,如图4所示。
图4为本说明书提供的一种行为识别装置示意图,该装置包括:
特征确定模块400,用于根据所采集到的目标对象的肢体节点的位置数据,通过预先训练的行为识别模型,确定出目标对象的基础特征;
目标选择模块402,用于根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型中用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络;
特征调整模块404,用于将所述基础特征输入所选择出的匹配子网络,通过匹配子网络对所述基础特征进行调整,得到调整后的目标特征,其中,所述目标特征的数据量小于所述基础特征的数据量;
行为选择模块406,用于将所确定出的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出目标对象的目标行为类型。
可选地,所述目标选择模块402具体用于,将所述基础特征输入所述行为识别模型中的预处理子网络,以所述预处理子网络中的预处理参数对所述基础特征进行调整,并将调整后的基础特征输入所述预处理子网络中的第一特征提取层,其中,以所述预处理参数调整后的基础特征的数据量小于被调整前的基础特征的数据量;根据以所述预处理参数调整后的基础特征,通过所述第一特征提取层,提取出所述目标对象的预处理特征;将所述预处理特征输入至所述选择子网络,通过所述选择子网络,从所述行为识别模型中用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络。
可选地,针对每个待匹配子网路,该待匹配子网络中包括待匹配参数和第二特征提取层;所述特征调整模块404具体用于,以匹配子网络中的匹配参数对输入所述匹配子网络的基础特征进行调整;将以所述匹配参数调整后的基础特征输入所述匹配子网络的第二特征提取层,通过所述第二特征提取层,提取出所述目标对象的目标特征。
可选地,针对每个待匹配子网络,以该待匹配子网络中所包含的待匹配参数调整后的基础数据的数据量,以及该待匹配子网络中所包括的第二特征提取层中的网络层数中的至少一个与其他任一待匹配子网络。
可选地,所述目标对象的基础特征为所述目标对象在预设时段内每一时刻的基础特征;所述行为选择模块406具体用于,将将根据目标对象在预设时段内各时刻的基础特征确定出的目标对象在预设时段内各时刻的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出目标对象在所述预设时段内的目标行为类型
可选地,所述目标选择模块402具体用于,
针对预设时段内的每一时刻,获取根据该时刻目标对象的基础特征所确定出的该时刻的预处理特征;将所获取到的各时刻的预处理特征输入所述选择子网络的特征聚合层,得到各预处理特征所聚合出的所述目标对象在所述预设时段内的基础时段特征,并将所述基础时段特征输入所述选择子网络的卷积层;根据所述基础时段特征,通过所述卷积层,得到所述目标对象在所述和时段内的基础时间融合特征,并将所述基础时间融合特征划分为所述目标对象在各时刻的基础时间融合子特征;针对所述预设时段内的每一时刻,将该时刻的基础时间融合子特征输入所述选择子网络的选择分类层,通过所述选择分类层,根据该时刻的基础时空融合子特征,从所述行为识别模型中的各待匹配参数中选择出用于调整该时刻的基础特征的匹配子网络。
可选地,所述特征确定模块400还用于,根据所获取到的样本对象在历史上肢体节点的位置数据,通过行为识别模型,确定出所述样本对象的基础特征;根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型包含的用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络;以对应的匹配子网络对所述基础特征进行调整,并通过所述行为识别模型,根据调整后的基础特征确定出所述目标对象的目标特征,其中,所述目标特征的数据量小于所述基础特征的数据量;将所确定出的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出样本对象的目标行为类型;以所选择出的样本对象的目标行为类型与预先为所述样本对象标注的标注行为类型之间的差异最小为目标,和/或,以确定所述目标行为类型所消耗的计算资源最小为目标,调整所述行为识别模型中的参数。
可选地,所述特征确定模块400还用于,确定作为标准对象的样本对象,以及标准对象所包括的各肢体节点;针对每个待匹配参数,确定预先为该待匹配参数所设定的指定节点数;以所述指定节点数为聚类后所得到的簇的个数,对所述标准对象的各肢体节点进行聚类,得到的由肢体节点所构成的各节点簇;根据各节点簇中所包括的肢体节点在所述标准对象的肢体中的位置,将所述标准对象划分的划分为指定节点数个肢体区域,其中,每个肢体区域中包括该肢体区域对应的节点簇中的各肢体节点;根据各肢体区域中的各肢体节点,确定出该待匹配参数中各元素数值,其中,以该待匹配参数调整后的基础特征中所包括的各肢体节点中,位于每一肢体区域的肢体节点的数量不小于预先设定的数量阈值。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述行为识别方法。
本说明书还提供了图5所示的电子设备的结构示意图。如图5所示,在硬件层面,该电子设备包括处理器、内部总线、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述行为识别方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (11)
1.一种行为识别方法,其特征在于,包括:
根据所采集到的目标对象的肢体节点的位置数据,通过预先训练的行为识别模型,确定出目标对象的基础特征;
根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型中用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络;
将所述基础特征输入所选择出的匹配子网络,通过匹配子网络对所述基础特征进行调整,得到调整后的目标特征,其中,所述目标特征的数据量小于所述基础特征的数据量;
将所确定出的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出目标对象的目标行为类型。
2.如权利要求1所述的方法,其特征在于,根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型中用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络,具体包括:
将所述基础特征输入所述行为识别模型中的预处理子网络,以所述预处理子网络中的预处理参数对所述基础特征进行调整,并将调整后的基础特征输入所述预处理子网络中的第一特征提取层,其中,以所述预处理参数调整后的基础特征的数据量小于被调整前的基础特征的数据量;
根据以所述预处理参数调整后的基础特征,通过所述第一特征提取层,提取出所述目标对象的预处理特征;
将所述预处理特征输入至所述选择子网络,通过所述选择子网络,从所述行为识别模型中用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络。
3.如权利要求1所述的方法,其特征在于,针对每个待匹配子网路,该待匹配子网络中包括待匹配参数和第二特征提取层;
通过匹配子网络对所述基础特征进行调整,得到调整后的目标特征,具体包括:
以匹配子网络中的匹配参数对输入所述匹配子网络的基础特征进行调整;
将以所述匹配参数调整后的基础特征输入所述匹配子网络的第二特征提取层,通过所述第二特征提取层,提取出所述目标对象的目标特征。
4.如权利要求3所述的方法,其特征在于,针对每个待匹配子网络,以该待匹配子网络中所包含的待匹配参数调整后的基础数据的数据量,以及该待匹配子网络中所包括的第二特征提取层中的网络层数,其中至少一个与其他任一待匹配子网络不同。
5.如权利要求1所述的方法,其特征在于,所述目标对象的基础特征为所述目标对象在预设时段内每一时刻的基础特征;
将所确定出的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出目标对象的目标行为类型,具体包括:
将根据目标对象在预设时段内各时刻的基础特征确定出的目标对象在预设时段内各时刻的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出目标对象在所述预设时段内的目标行为类型。
6.如权利要求5所述的方法,其特征在于,根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型包含的用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络,具体包括:
针对预设时段内的每一时刻,获取根据该时刻目标对象的基础特征所确定出的该时刻的预处理特征;
将所获取到的各时刻的预处理特征输入所述选择子网络的特征聚合层,得到各预处理特征所聚合出的所述目标对象在所述预设时段内的基础时段特征,并将所述基础时段特征输入所述选择子网络的卷积层;
根据所述基础时段特征,通过所述卷积层,得到所述目标对象在所述预设时段内的基础时间融合特征,并将所述基础时间融合特征划分为所述目标对象在各时刻的基础时间融合子特征;
针对所述预设时段内的每一时刻,将该时刻的基础时间融合子特征输入所述选择子网络的选择分类层,通过所述选择分类层,根据该时刻的基础时空融合子特征,从所述行为识别模型中的各待匹配子网络中选择出用于调整该时刻的基础特征的匹配子网络。
7.如权利要求1所述的方法,其特征在于,预先训练行为识别模型,具体包括:
根据所获取到的样本对象在历史上肢体节点的位置数据,通过行为识别模型,确定出所述样本对象的基础特征;
根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型包含的用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络;
以对应的匹配子网络对所述基础特征进行调整,并通过所述行为识别模型,根据调整后的基础特征确定出所述目标对象的目标特征,其中,所述目标特征的数据量小于所述基础特征的数据量;
将所确定出的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出样本对象的目标行为类型;
以所选择出的样本对象的目标行为类型与预先为所述样本对象标注的标注行为类型之间的差异最小为目标,和/或,以确定所述目标行为类型所消耗的计算资源最小为目标,调整所述行为识别模型中的参数。
8.如权利要求7所述的方法,其特征在于,所述方法还包括:
确定作为标准对象的样本对象,以及标准对象所包括的各肢体节点;
针对每个待匹配参数,确定预先为该待匹配参数所设定的指定节点数;
以所述指定节点数为聚类后所得到的簇的个数,对所述标准对象的各肢体节点进行聚类,得到的由肢体节点所构成的各节点簇;
根据各节点簇中所包括的肢体节点在所述标准对象的肢体中的位置,将所述标准对象划分的划分为指定节点数个肢体区域,其中,每个肢体区域中包括该肢体区域对应的节点簇中的各肢体节点;
根据各肢体区域中的各肢体节点,确定出该待匹配参数中各元素数值,其中,以该待匹配参数调整后的基础特征中所包括的各肢体节点中,位于每一肢体区域的肢体节点的数量不小于预先设定的数量阈值。
9.一种行为识别装置,其特征在于,包括:
特征确定模块,用于根据所采集到的目标对象的肢体节点的位置数据,通过预先训练的行为识别模型,确定出目标对象的基础特征;
目标选择模块,用于根据所述基础特征,通过所述行为识别模型中的选择子网络,从所述行为识别模型中用于对基础特征进行调整的各待匹配子网络中为所述基础特征选择出对应的匹配子网络;
特征调整模块,用于将所述基础特征输入所选择出的匹配子网络,通过匹配子网络对所述基础特征进行调整,得到调整后的目标特征,其中,所述目标特征的数据量小于所述基础特征的数据量;
行为选择模块,用于将所确定出的目标特征输入所述行为识别模型中的行为分类子网络,通过所述行为分类子网络,从预先设定的各行为类型中选择出目标对象的目标行为类型。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~8任一项所述的方法。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968343.7A CN113673601B (zh) | 2021-08-23 | 2021-08-23 | 一种行为识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110968343.7A CN113673601B (zh) | 2021-08-23 | 2021-08-23 | 一种行为识别方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673601A CN113673601A (zh) | 2021-11-19 |
CN113673601B true CN113673601B (zh) | 2023-02-03 |
Family
ID=78545119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110968343.7A Active CN113673601B (zh) | 2021-08-23 | 2021-08-23 | 一种行为识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673601B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881973A (zh) * | 2020-07-24 | 2020-11-03 | 北京三快在线科技有限公司 | 一种样本选择方法、装置、存储介质及电子设备 |
CN111899264A (zh) * | 2020-06-18 | 2020-11-06 | 济南浪潮高新科技投资发展有限公司 | 一种目标图像分割方法、设备及介质 |
CN112308113A (zh) * | 2020-09-23 | 2021-02-02 | 济南浪潮高新科技投资发展有限公司 | 一种基于半监督的目标识别方法、设备及介质 |
CN113033527A (zh) * | 2021-05-27 | 2021-06-25 | 北京三快在线科技有限公司 | 一种场景识别方法、装置、存储介质及无人设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11048917B2 (en) * | 2019-07-31 | 2021-06-29 | Baidu Usa Llc | Method, electronic device, and computer readable medium for image identification |
CN110929584A (zh) * | 2019-10-28 | 2020-03-27 | 九牧厨卫股份有限公司 | 网络训练方法、监控方法、系统、存储介质和计算机设备 |
CN111242217A (zh) * | 2020-01-13 | 2020-06-05 | 支付宝实验室(新加坡)有限公司 | 图像识别模型的训练方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-23 CN CN202110968343.7A patent/CN113673601B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899264A (zh) * | 2020-06-18 | 2020-11-06 | 济南浪潮高新科技投资发展有限公司 | 一种目标图像分割方法、设备及介质 |
CN111881973A (zh) * | 2020-07-24 | 2020-11-03 | 北京三快在线科技有限公司 | 一种样本选择方法、装置、存储介质及电子设备 |
CN112308113A (zh) * | 2020-09-23 | 2021-02-02 | 济南浪潮高新科技投资发展有限公司 | 一种基于半监督的目标识别方法、设备及介质 |
CN113033527A (zh) * | 2021-05-27 | 2021-06-25 | 北京三快在线科技有限公司 | 一种场景识别方法、装置、存储介质及无人设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113673601A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036236B (zh) | 一种基于GhostNet的图像检测方法、设备及介质 | |
CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
CN115618964B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN117635822A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN116805393A (zh) | 一种基于3DUnet光谱-空间信息融合的高光谱图像分类方法和系统 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN117113174A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN113673601B (zh) | 一种行为识别方法、装置、存储介质及电子设备 | |
CN117036829A (zh) | 一种基于原型学习实现标签增强的叶片细粒度识别方法和系统 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
CN112307371B (zh) | 小程序子服务识别方法、装置、设备及存储介质 | |
CN114154579A (zh) | 一种图像分类方法、装置、存储介质及电子设备 | |
CN107679547A (zh) | 一种针对二分类模型的数据处理方法、装置以及电子设备 | |
CN113673436A (zh) | 一种行为识别、模型训练的方法及装置 | |
CN118015316B (zh) | 一种图像匹配模型训练的方法、装置、存储介质、设备 | |
CN111797740A (zh) | 一种模型训练以及视觉定位方法及装置 | |
CN112906698A (zh) | 一种苜蓿植株识别的方法及装置 | |
CN118379605B (zh) | 一种图像识别大模型的部署方法、装置及存储介质 | |
CN117649568B (zh) | 一种用于图像分类卷积神经网络的网络压缩方法及装置 | |
CN118193797B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN116188919B (zh) | 一种测试方法、装置、可读存储介质及电子设备 | |
CN113204664B (zh) | 一种图像聚类方法及装置 | |
CN117237744B (zh) | 一种图像分类模型的训练方法、装置、介质及电子设备 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 |
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 |