CN117272144A - 移动端双解耦网络长尾活动识别方法 - Google Patents
移动端双解耦网络长尾活动识别方法 Download PDFInfo
- Publication number
- CN117272144A CN117272144A CN202311277982.4A CN202311277982A CN117272144A CN 117272144 A CN117272144 A CN 117272144A CN 202311277982 A CN202311277982 A CN 202311277982A CN 117272144 A CN117272144 A CN 117272144A
- Authority
- CN
- China
- Prior art keywords
- double
- decoupling network
- training
- stage
- decoupling
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 72
- 230000009471 action Effects 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 12
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000000926 separation method Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000037081 physical activity Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了移动端双解耦网络长尾活动识别方法，具体包括以下步骤：采集动作信号，获取训练集；将所述训练集输入双解耦网络模型，并通过移动可穿戴识别装置实现长尾活动识别；其中，所述双解耦网络模型由神经网络构建并在训练阶段和测试阶段分别进行解耦。本发明通过训练阶段的解耦，即特征提取和活动分类的分离，采用多分支拓扑结构来增强模型的特征提取能力，同时分类器阶段的权重微调可以有效提升模型对长尾分布识别的性能；在本发明中，训练阶段和测试阶段的解耦显著降低了模型参数量，有助于降低可穿戴识别设备的硬件需求，并提高活动识别的实时性。
Description
技术领域
本发明属于传感器活动识别领域，尤其涉及移动端双解耦网络长尾活动识别方法。
背景技术
在当前的技术背景下，随着深度学习和传感器技术的发展，日常生活活动识别研究已经取得了快速进展。然而，实际活动数据集往往遵循长尾分布，其中少数占大部分的类别占据了大部分数据，而大多数的类别——少数派——只包含有限数量的数据样本。不出所料，长尾活动数据使得罕见的活动类型比常见类别(例如行走和前倾)更难以重复和收集。因此，使用长尾分布数据集训练的深度模型将不可避免地对常见类别存在偏见，即实例丰富的类别在训练过程中占主导地位，导致这些类别的识别准确率更高，而实例稀缺类型的识别准确率较低。然而，在传感器活动识别任务中，改善所有类别(包括实例丰富和实例稀缺类别)的识别性能尚未得到足够的关注。
因此，亟需一种移动端双解耦网络长尾活动识别方法，以解决现有技术中的不足之处。
发明内容
本发明的目的在于提出移动端双解耦网络长尾活动识别方法，采用双阶段双解耦网络结构，并在训练过程中采用交叉熵和类别平衡损失函数对特征提取和分类进行分别优化。
为实现上述目的，本发明提供了移动端双解耦网络长尾活动识别方法，具体包括以下步骤：
采集动作信号，获取训练集；
将所述训练集输入双解耦网络模型，并通过移动可穿戴识别装置实现长尾活动识别；
其中，所述双解耦网络模型由神经网络构建并在训练阶段和测试阶段分别进行解耦。
可选的，采集所述动作信号，获取所述训练集包括：
通过所述移动可穿戴识别装置采集所述动作信号，对所述动作信号进行预处理和数据划分，获取所述训练集，并根据同步录制的采集视频时间戳标注对应的动作类型。
可选的，对所述动作信号进行预处理和数据划分包括：
对所述动作信号进行滤波、降噪和归一化处理，获取预处理后的动作信号；
采集所述传感器设备的采样频率；
根据所述采样频率对所述动作信号进行时间窗口、滑动窗口和数据重叠率设置，并将所述预处理后的动作信号进行数据划分。
可选的，所述双解耦网络模型包括三层拓扑结构的卷积块和一层全连接分类输出层，其中，每个所述卷积块分别包含卷积层、批量归一化层，并采用ReLU激活函数，其中，所述卷积块在训练阶段用于提取活动数据的特征信息，测试阶段在用于前向推理；所述全连接分类输出层用于输出分类。
可选的，所述训练阶段的计算方法包括权重参数的最小化和微调，分别为类平衡误差函数最小化、L2惩罚项微调、MaxNorm限制项微调；
所述类平衡误差函数最小化形式为：
W*＝argminCB(f(xi；w),yi)
所述L2惩罚项微调的函数形式为：
所述MaxNorm限制项微调的函数形式为：
其中，W*为全连接层的总体权重参数，argmin为取得最小值函数，CB表示类平衡误差函数，f为全连接层的映射函数，xi为每个批次的活动数据矩阵，w为对应xi的权重参数，yi为真实标签，k是控制衰减度的超参数，s.t.表示受限于权重w的二范数应小于阈值r2值。
可选的，所述测试阶段的计算方法为结构化重参数；
所述结构化重参数为：
其中，Fl表示第l输出特征，表示卷积操作，W为卷积层的权重参数，μ为批量归一化层BN的累计平均值，σ为批量归一化层BN的标准偏差，γ为批量归一化层BN的学习缩放因子，β为批量归一化层BN的偏差，W′、b′分别为结构化重参数转化后的卷积网络权重和偏执项，γi为第i层批量归一化中的标准偏差，σi为第i层批量归一化中的学习缩放因子，βi为第i层批量归一化中的偏差。
可选的，所述双解耦网络模型在训练阶段和测试阶段分别进行解耦包括：
所述双解耦网络模型在所述训练阶段进行解耦包括第一阶段和第二阶段；
所述第一阶段为特征学习阶段，通过多分支拓扑结构提取数据抽象特征；
所述第二阶段为分类器学习，用于训练时的输出分类；
所述双解耦网络模型在所述测试阶段进行解耦包括：当所述双解耦网络模型的训练精度满足阈值条件时，通过所述结构化重参数将多分支拓扑结构的卷积网络转化为单分支结构。
可选的，，将所述训练集输入所述双解耦网络模型，并通过所述移动可穿戴识别装置实现长尾活动识别包括：
将所述训练集输入所述双解耦网络模型进行训练，判断所述双解耦网络模型的训练精度，并获取训练后的双解耦网络模型参数；
当所述双解耦网络模型的训练精度满足所述阈值条件时，结束训练，获取所述训练后的双解耦网络模型参数，并通过多维数组形式进行保存；
当所述双解耦网络模型的训练精度不满足所述阈值条件时，通过所述移动端双解耦网络模型的超参数进行调节；
将所述训练后的双解耦网络模型参数输入所述移动可穿戴识别装置，并通过内嵌传感器进行数据加载，实现长尾活动识别。
可选的，所述移动可穿戴识别装置包括具有神经网络处理单元的移动可穿戴识别装置。
本发明具有以下有益效果：
(1)与基于常规卷积网络的活动识别模型相比，本发明通过训练阶段的解耦，即特征提取和活动分类的分离，采用多分支拓扑结构来增强模型的特征提取能力，同时分类器阶段的权重微调可以有效提升模型对长尾分布识别的性能；
(2)在本发明中，训练阶段和测试阶段的解耦显著降低了模型参数量，有助于降低可穿戴识别设备的硬件需求，并提高活动识别的实时性；
(3)本发明的移动端双解耦网络模型不仅适应于活动数据样本量分布均衡的数据集，也适用于更为普遍的长尾活动数据集，其使用范围广泛、鲁棒性强，并可无缝移植到智能可穿戴设备，展现出商业应用的潜力；且本发明的方法适用于传感器采集的人体活动数据通常遵循长尾分布的情况，可以实现高准确率的类别识别，而不牺牲对于长尾类别的识别性能；
(4)本发明的方法不需要额外的计算负担，可适用于智能手机、手表等移动设备，具有较高的实用性和适用性；
(5)本发明在多个公开数据集上进行实验验证，达到了当前传感器长尾活动识别领域的最佳性能表现。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例移动端双解耦网络长尾活动识别方法的流程图；
图2为本发明实施例提出的移动端双解耦网络原理图；
图3为本发明实施例提出的不同模型网络权重范数演变过程的可视化图，其中(a)为普通卷积网络权重范数演变过程的可视化图，(b)为多分支卷积网络权重范数演变过程的可视化图，(c)移动端双解耦卷积网络权重范数演变过程的可视化图；
图4为本发明实施例提出的分类器权重分布及其演变比较图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明提出了一种新颖的双重两阶段解耦(dual-stage wise decoupling，DSWD)方法，针对传感器活动识别中长尾类分布问题，以类平衡损失和结构化重参数化技术为基础，通过解耦训练过程和推理结构，提高了传感器活动识别的性能。DSWD方法采用阶段性活动识别训练策略，训练阶段解耦为两部分：首先，训练主干网络以学习长尾活动的特征代表；然后，结合类平衡损失、权重衰减和MaxNorm对分类网络进行微调。推理结构解耦是通过将主干网络的多分支拓扑卷积神经网络解耦为单分支网络，从而降低了模型参数量，降低了可穿戴识别设备的硬件门槛，增强了实时性识别能力。DSWD方法具有良好的通用性，可以适用于各种基于传感器的活动识别任务。本发明的优点在于提高了传感器活动识别的性能，降低了模型参数量，降低了可穿戴识别设备的硬件门槛，增强了实时性识别能力，同时具有实际应用价值和市场前景。
如图1所示，本实施例中提供移动端双解耦网络长尾活动识别方法，该方法首先从可穿戴传感器中收集人体活动的时序信号，并通过降噪和归一化处理后输入到本发明的移动端双解耦网络中进行模型训练。经过训练后，将模型网络移植到具有NPU功能的可穿戴设备上，最终实现长尾活动的识别。该方法采用双解耦网络结构和阶段性训练策略，结合类平衡损失、结构化重参数化技术、权重衰减和MaxNorm等现有技术，提高了长尾活动识别的准确率和泛化能力。具体包括以下步骤：
步骤一、采集动作信号；
确定长尾活动类型，每类活动类型样本量的不平衡度应不高于13(最多类型的样本量/最少类型的样本量)，通过内嵌传感器的移动可穿戴识别装置采集所需的动作信号，并根据同步录制的采集视频时间戳标注对应的动作类型。
步骤二、对采集的动作信号进行数据预处理和数据划分，获取最终数据集；
其中，对动作信号进行预处理包括滤波、降噪、归一化预处理操作；对动作信号进行数据划分包括：根据采集传感器设备的采样频率对动作信号进行时间窗口、滑动窗口和数据重叠率设置，并将预处理后的动作数据进行数据划分，形成包含验证集、训练集、测试集的数据集合。
步骤三、基于最终数据集对移动端双解耦网络模型进行训练，获取训练完成的移动端双解耦网络模型参数；
如图2所示，该图的结构包括本实施例DSWD的双解耦过程。其中，第一个阶段的解耦为训练阶段的解耦，分为多分支特征学习阶段和分类器微调阶段两个阶段，多分支特征学习阶段实现利用了交叉熵损失和权重衰减，以及多分支主干网络的特征学习，即第一阶段为特征学习阶段，通过多分支拓扑结构提取数据抽象特征；分类器微调阶段，通过类平衡损失、权重衰减和MaxNorm等技术共同调节实现，即第二阶段为分类器学习，用于训练时的输出分类。第二个阶段的解耦为测试阶段的解耦，是多分支拓扑结构到单分支拓扑结构的解耦，主要通过重参数技术实现卷积层的零填充，具体地，当训练精度满足条件时，结束训练并保存模型参数，最后通过结构化重参数将多分支拓扑结构的卷积网络转化为单分支结构。
移动端双解耦网络模型包括训练阶段和测试阶段：
训练阶段：三层双分支拓扑结构的卷积块和一层全连接分类输出层，其中每个卷积块分别包含卷积层、批量归一化层BN、ReLU激活函数，三层卷积块用于提取活动数据的特征信息，全连接分类层用于输出分类；
测试阶段：三层单分支结构的卷积块和一层全连接分类输出层，其中每个卷积块分别包含卷积层、批量归一化层BN、ReLU激活函数，三层单分支结构的卷积块只用于前向推理，全连接分类层用于输出分类。
基于移动端双解耦网络模型的训练阶段计算方法主要包括三个权重参数的最小化和微调，分别为类平衡误差函数最小化、L2惩罚项微调、MaxNorm限制项微调。
类平衡误差函数最小化形式如下：
W*＝argminCB(f(xi；w),yi)
其中，W*为全连接层的总体权重参数，argmin为取得最小值函数，CB表示类平衡误差函数，f为全连接层的映射函数，xi为每个批次的活动数据矩阵，w为对应xi的权重参数，yi为真实标签。
L2惩罚项微调的函数形式如下：
其中，k是控制衰减度的超参数。
MaxNorm限制项微调的函数形式如下：
其中，s.t.表示受限于权重w的二范数应小于阈值r2值。
基于移动端双解耦网络模型的测试阶段计算方法为结构化重参数，其函数形式如下：
其中，Fl表示第l输出特征，表示卷积操作，W为卷积层的权重参数，μ为批量归一化层BN的累计平均值，σ为批量归一化层BN的标准偏差，γ为批量归一化层BN的学习缩放因子，β为批量归一化层BN的偏差，W′、b′分别为结构化重参数转化后的卷积网络权重和偏执项，γi为第i层批量归一化中的标准偏差，σi为第i层批量归一化中的学习缩放因子，βi为第i层批量归一化中的偏差。
基于移动端双解耦网络模型进行训练包括：
将预训练后的活动数据送入搭建的移动端双解耦网络中进行训练，当移动端双解耦网络模型满足训练的精度需求后(精度要求最低不低于85％)结束训练，并将模型参数的权重、偏执等参数信息，即长尾识别结果通过多维数组形式保存在计算机磁盘；反之，若识别精度不满足识别要求，通过移动端双解耦网络模型的超参数进行调节。
其中，识别精度为百分值，越高表示识别效果越强，应大于85％以上，根据不同识别需求可上调识别精度，且移动可穿戴识别装置包括具备神经网络处理单元的移动可穿戴识别装置。
步骤四、将训练完成的移动端双解耦网络模型参数导入移动可穿戴设备中，并通过内嵌传感器加载活动数据，实现长尾活动识别的目的。
如图3所示，在训练过程中，普通网络和多分支CNN权重增长较快，且主要类别中的权重逐渐增大。这些模型通过增加头部类别的分类器权重实现更高的识别准确率，例如，如图3(a)所示，普通卷积网络颜色条主要集中在样本量最多的一种动作类型上，这反映出其重点关注于数量较大的类别，以此策略来提升整体的识别精度。如图3(b)所示，各动作的颜色条之间存在显著差异，表明头部类别的权重较大，尾部类别的权重较小。然而，如图3(c)所示，所提出的模型对于每个活动具有相似的权重演变，每个类别的颜色条均匀且平衡，表明本发明的方法在LTR任务上的稳健性。所提出的模型通过降低权重曲线并调整稀有类别的权重，促进平衡权重学习。通过在训练过程中结合MaxNorm、权重衰减和类平衡损失，显示出良好的结果。
如图4所示，展示了在训练的第一阶段，不同技术在平衡权重方面的分类器权重分布的比较。与假设一致，原生方法更注重头部类别，如“行走”和“上楼”，而没有强调稀有类别的准确性。L2规范化使分类器权重均匀分布。然而，这种均匀的权重分布并未提高整体识别准确率。经验上，这种近似线性的权重分布适用于平衡数据集。对于长尾数据集，权重分布表明“头部类别”的权重值大于“尾部类别”，但差距较小。权重衰减进一步缩小了多数类别与少数类别之间的差距，与原生方法相比，稍微缓解了规范性失衡。相反，MaxNorm通过降低权重曲线并调整稀有类别的权重，促进平衡权重学习。在训练过程中，通过结合MaxNorm、权重衰减和CB损失，所提出的模型显示出良好的结果。图中展示了训练过程中各类网络的分类器权重范数的演变。x轴表示训练周期，y轴表示UCI-HAR_LT-100(UCI-HAR的非平衡程度λ为100)中的六个活动类别(样本数量从下到上递增)。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.移动端双解耦网络长尾活动识别方法，其特征在于，具体包括以下步骤：
采集动作信号，获取训练集；
将所述训练集输入双解耦网络模型，并通过移动可穿戴识别装置实现长尾活动识别；
其中，所述双解耦网络模型由神经网络构建并在训练阶段和测试阶段分别进行解耦。
2.如权利要求1所述的移动端双解耦网络长尾活动识别方法，其特征在于，采集所述动作信号，获取所述训练集包括：
通过所述移动可穿戴识别装置采集所述动作信号，对所述动作信号进行预处理和数据划分，获取所述训练集，并根据同步录制的采集视频时间戳标注对应的动作类型。
3.如权利要求2所述的移动端双解耦网络长尾活动识别方法，其特征在于，对所述动作信号进行预处理和数据划分包括：
对所述动作信号进行滤波、降噪和归一化处理，获取预处理后的动作信号；
采集所述传感器设备的采样频率；
根据所述采样频率对所述动作信号进行时间窗口、滑动窗口和数据重叠率设置，并将所述预处理后的动作信号进行数据划分。
4.如权利要求1所述的移动端双解耦网络长尾活动识别方法，其特征在于，所述双解耦网络模型包括三层拓扑结构的卷积块和一层全连接分类输出层，其中，每个所述卷积块分别包含卷积层、批量归一化层，并采用ReLU激活函数，其中，所述卷积块在训练阶段用于提取活动数据的特征信息，测试阶段在用于前向推理；所述全连接分类输出层用于输出分类。
5.如权利要求4所述的移动端双解耦网络长尾活动识别方法，其特征在于，所述训练阶段的计算方法包括权重参数的最小化和微调，分别为类平衡误差函数最小化、L2惩罚项微调、MaxNorm限制项微调；
所述类平衡误差函数最小化形式为：
W*＝argminCB(f(xi；w),yi)
所述L2惩罚项微调的函数形式为：
所述MaxNorm限制项微调的函数形式为：
其中，W*为全连接层的总体权重参数，argmin为取得最小值函数，CB表示类平衡误差函数，f为全连接层的映射函数，xi为每个批次的活动数据矩阵，w为对应xi的权重参数，yi为真实标签，k是控制衰减度的超参数，s.t.表示受限于权重w的二范数应小于阈值r2值。
6.如权利要求5所述的移动端双解耦网络长尾活动识别方法，其特征在于，所述测试阶段的计算方法为结构化重参数；
所述结构化重参数为：
其中，Fl表示第l输出特征，表示卷积操作，W为卷积层的权重参数，μ为批量归一化层BN的累计平均值，σ为批量归一化层BN的标准偏差，γ为批量归一化层BN的学习缩放因子，β为批量归一化层BN的偏差，W′、b′分别为结构化重参数转化后的卷积网络权重和偏执项，γi为第i层批量归一化中的标准偏差，σi为第i层批量归一化中的学习缩放因子，βi为第i层批量归一化中的偏差。
7.如权利要求6所述的移动端双解耦网络长尾活动识别方法，其特征在于，所述双解耦网络模型在训练阶段和测试阶段分别进行解耦包括：
所述双解耦网络模型在所述训练阶段进行解耦包括第一阶段和第二阶段；
所述第一阶段为特征学习阶段，通过多分支拓扑结构提取数据抽象特征；
所述第二阶段为分类器学习，用于训练时的输出分类；
所述双解耦网络模型在所述测试阶段进行解耦包括：当所述双解耦网络模型的训练精度满足阈值条件时，通过所述结构化重参数将多分支拓扑结构的卷积网络转化为单分支结构。
8.如权利要求7所述的移动端双解耦网络长尾活动识别方法，其特征在于，将所述训练集输入所述双解耦网络模型，并通过所述移动可穿戴识别装置实现长尾活动识别包括：
将所述训练集输入所述双解耦网络模型进行训练，判断所述双解耦网络模型的训练精度，并获取训练后的双解耦网络模型参数；
当所述双解耦网络模型的训练精度满足所述阈值条件时，结束训练，获取所述训练后的双解耦网络模型参数，并通过多维数组形式进行保存；
当所述双解耦网络模型的训练精度不满足所述阈值条件时，通过所述移动端双解耦网络模型的超参数进行调节；
将所述训练后的双解耦网络模型参数输入所述移动可穿戴识别装置进行数据加载，实现长尾活动识别。
9.如权利要求8所述的移动端双解耦网络长尾活动识别方法，其特征在于，所述移动可穿戴识别装置包括具有神经网络处理单元的移动可穿戴识别装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311277982.4A CN117272144A (zh) | 2023-09-28 | 2023-09-28 | 移动端双解耦网络长尾活动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311277982.4A CN117272144A (zh) | 2023-09-28 | 2023-09-28 | 移动端双解耦网络长尾活动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117272144A true CN117272144A (zh) | 2023-12-22 |
Family
ID=89221150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311277982.4A Pending CN117272144A (zh) | 2023-09-28 | 2023-09-28 | 移动端双解耦网络长尾活动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272144A (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115329800A (zh) * | 2022-07-07 | 2022-11-11 | 南京大学 | 一种基于解耦训练的卷积神经网络活动识别方法 |
-
2023
- 2023-09-28 CN CN202311277982.4A patent/CN117272144A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115329800A (zh) * | 2022-07-07 | 2022-11-11 | 南京大学 | 一种基于解耦训练的卷积神经网络活动识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| 51CVTRICKS: ""数据分布不均衡？试试BBN，解决长尾数据算法新思路"", 《ZHUANLAN.ZHIHU.COM/P/348378627》, 31 December 2021 (2021-12-31), pages 1 - 5 * |
| DATAMONDAY: ""【调参05】如何通过权重约束减少过拟合"", 《HTTPS://BLOG.CSDN.NET/WEIXIN_39653948/ARTICLE/DETAILS/105961351》, 9 May 2020 (2020-05-09), pages 1 - 3 * |
| 李浩晨等: ""基于自适应正则化的无偏场景图生成方法"", 《计算机科学》, 11 July 2023 (2023-07-11), pages 3 - 2 * |
| 郑宝志等: ""基于类平衡损失的咽喉反流语义分割与诊断方法"", 《激光与光电子学进展》, vol. 60, no. 14, 31 July 2023 (2023-07-31), pages 2 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738301B (zh) | 一种基于双通道学习的长尾分布图像数据识别方法 | |
| CN105976809B (zh) | 基于语音和面部表情的双模态情感融合的识别方法及系统 | |
| CN111291614B (zh) | 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 | |
| CN110353702A (zh) | 一种基于浅层卷积神经网络的情感识别方法及系统 | |
| CN111382677B (zh) | 基于3d注意力残差模型的人体行为识别方法及系统 | |
| CN112259120B (zh) | 基于卷积循环神经网络的单通道人声与背景声分离方法 | |
| CN102024145A (zh) | 一种伪装人脸分层识别方法及系统 | |
| CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
| CN117743768B (zh) | 基于去噪生成对抗网络和扩散模型的信号去噪方法及系统 | |
| CN114239749A (zh) | 基于残差收缩及双向长短期记忆网络的调制识别方法 | |
| CN113065526A (zh) | 一种基于改进深度残差分组卷积网络的脑电信号分类方法 | |
| CN116304558B (zh) | 癫痫脑磁图棘波检测方法及装置 | |
| CN114093501A (zh) | 基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法 | |
| CN115969329B (zh) | 一种睡眠分期方法、系统、装置及介质 | |
| CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
| CN111797674A (zh) | 基于特征融合和粒子群优化算法的mi脑电信号识别方法 | |
| CN113344077A (zh) | 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法 | |
| CN118051831B (zh) | 基于CNN-Transformer合作网络模型的水声目标识别方法 | |
| CN113116361A (zh) | 一种基于单导脑电的睡眠分期方法 | |
| CN111401140A (zh) | 一种边缘计算环境下智能视频监控系统的离线学习方法 | |
| CN108564967B (zh) | 面向哭声检测系统的Mel能量声纹特征提取方法 | |
| CN111460901A (zh) | 一种基于Wi-Fi信号和迁移学习的活动分类模型构建方法及系统 | |
| CN117973899A (zh) | 基于大数据的土地开发与经营信息智能管理系统 | |
| CN117272144A (zh) | 移动端双解耦网络长尾活动识别方法 | |
| CN109947960A (zh) | 基于深度卷积的人脸多属性联合估计模型构建方法 |
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 |