買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉南京信息工程大學(xué)申請(qǐng)的專利基于動(dòng)態(tài)局部-全局圖卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)作識(shí)別方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114998525B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-06發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202210703550.4，技術(shù)領(lǐng)域涉及：G06T17/00；該發(fā)明授權(quán)基于動(dòng)態(tài)局部-全局圖卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)作識(shí)別方法是由胡凱;金俊嵐;翁成航;沈超文設(shè)計(jì)研發(fā)完成，并于2022-06-21向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本基于動(dòng)態(tài)局部-全局圖卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)作識(shí)別方法在說(shuō)明書摘要公布了：本發(fā)明公開(kāi)了一種基于動(dòng)態(tài)局部?全局圖卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)作識(shí)別方法，利用注意力機(jī)制為三個(gè)分區(qū)策略下的鄰接矩陣動(dòng)態(tài)的分配權(quán)重，并將這三個(gè)鄰接矩陣加權(quán)得到可學(xué)習(xí)的變換矩陣，不同的權(quán)重參數(shù)編碼了在空間維度上不同的特征，增加了在骨骼圖中特征建模的表達(dá)能力；通過(guò)使用改進(jìn)的Transformer自我注意力來(lái)融合局部和全局信息；引入通道注意力，使模型更加關(guān)注重要的通道特征，進(jìn)一步提高了模型的性能，使分類預(yù)測(cè)結(jié)果更加準(zhǔn)確。本發(fā)明增加了特征建模的表達(dá)能力，并通過(guò)通道注意力模塊有效地增強(qiáng)對(duì)更重要的特征信息提取能力，從而大幅提高了動(dòng)作識(shí)別的準(zhǔn)確率。

本發(fā)明授權(quán)基于動(dòng)態(tài)局部-全局圖卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)作識(shí)別方法在權(quán)利要求書中公布了：1.一種基于動(dòng)態(tài)局部-全局圖卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)作識(shí)別方法，其特征在于，包括以下步驟：1使用姿態(tài)估計(jì)算法將視頻數(shù)據(jù)先處理成人體骨骼結(jié)構(gòu)數(shù)據(jù)，原始的骨架序列是用每幀中所有人體關(guān)節(jié)點(diǎn)的三維坐標(biāo)表示；2從步驟1獲取骨骼信息，節(jié)點(diǎn)信息和鄰接矩陣A；關(guān)節(jié)信息是由每個(gè)關(guān)節(jié)點(diǎn)的空間坐標(biāo)x，y，z組成的特征向量；由于每個(gè)骨骼綁定了兩個(gè)關(guān)節(jié)，因此定義靠近骨骼重心的關(guān)節(jié)為源關(guān)節(jié)，遠(yuǎn)離重心的關(guān)節(jié)為目標(biāo)關(guān)節(jié)；每個(gè)骨骼都表示從其源關(guān)節(jié)指向其目標(biāo)關(guān)節(jié)的向量，該向量包含長(zhǎng)度信息和方向信息；因?yàn)橹行年P(guān)節(jié)沒(méi)有分配給任何骨骼，使得關(guān)節(jié)的數(shù)量比骨骼的數(shù)量多一個(gè)，因此向中心關(guān)節(jié)添加一個(gè)值為0的空骨骼，這樣骨骼能夠和關(guān)節(jié)使用相同的網(wǎng)絡(luò)；鄰接矩陣A是描述點(diǎn)與邊有無(wú)聯(lián)系的一個(gè)矩陣，其數(shù)值固定；將本步驟的信息用于步驟3；3搭建出帶有通道注意力的動(dòng)態(tài)局部-全局圖卷積神經(jīng)網(wǎng)絡(luò)的基本框架；4搭建帶有通道注意力的雙流動(dòng)態(tài)局部-全局圖卷積神經(jīng)網(wǎng)絡(luò)模型，并訓(xùn)練看其效果：將步驟2中骨骼信息和節(jié)點(diǎn)信息作為時(shí)間特征和空間特征輸入到步驟3所搭建的帶有通道注意力的動(dòng)態(tài)局部-全局圖卷積神經(jīng)網(wǎng)絡(luò)中，經(jīng)過(guò)softmax分類器得到預(yù)測(cè)分?jǐn)?shù)，然后再將2個(gè)分?jǐn)?shù)相加，得到最終的分類結(jié)果；最終的分類得分為S，其表達(dá)式如公式9所示：S＝W1S1+W2S29其中S1，S2分別表示2個(gè)子網(wǎng)絡(luò)的預(yù)測(cè)得分，范圍在0-1之間；W1和W2表示它們的權(quán)重，W1+W2＝1，根據(jù)結(jié)果調(diào)整其數(shù)值大小；最終的分類得分S結(jié)果也在0-1之間；5訓(xùn)練本發(fā)明的模型：首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，將公開(kāi)數(shù)據(jù)集NTU-RGB+D內(nèi)的數(shù)據(jù)結(jié)構(gòu)進(jìn)行重新組合，將步驟2的數(shù)據(jù)輸入到步驟3中；采用Nesterov動(dòng)量為0.9的隨機(jī)梯度下降法作為優(yōu)化策略；其批量為64，權(quán)重衰減為0.0001，選擇交叉熵作為損失函數(shù)來(lái)反向傳播梯度，訓(xùn)練次數(shù)為64次；得到最終準(zhǔn)確的分類結(jié)果得分S。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人南京信息工程大學(xué)，其通訊地址為：210044 江蘇省南京市江北新區(qū)寧六路219號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。