-
公开(公告)号：CN109886358B
公开(公告)日：2022-03-08
申请号：CN201910216232.3
申请日：2019-03-21
Applicant: 上海理工大学
IPC: G06V10/774 , G06N3/04
Abstract: 本发明提出了一种基于多时空信息融合卷积神经网络的人体行为识别方法，首先构建(2+1)D卷积神经网络，经训练后直到网络模型评估准确率达到稳定值后，使用网格模型进行视频人体行为识别。本发明中提出的(2+1)D卷积神经网络同时使用不同尺度空间感受野的空间卷积层进行空间信息提取，同时使用多个不同尺度时域感受野的时域卷积层进行时域信息提取，将提取的特征信息融合后作为下一层的输入，将包含n种尺度空间感受野的卷积核与包含m种尺度时域感受野的卷积核进行串联，设计了包含k种时空感受野的多时空融合卷积层，能够同时利用视频较长和较短时间范围内的特征信息建模，更准确地识别人体行为。
-
Patent Agency Ranking
公开(公告)号：CN108549856B
公开(公告)日：2021-04-30
申请号：CN201810285346.9
申请日：2018-04-02
Applicant: 上海理工大学
Abstract: 本发明涉及一种人体动作和路况识别方法，使用惯性传感器采集人体膝关节处x、y和z轴方向上的加速度、角度和角速度信号，并用小波包变换消除信号的抖动噪声和干扰；然后对时间窗内的信号进行快速傅里叶变换，提取其系数作为特征值；随后对特征进行主成分分析去除冗余信息；最后采用高斯混合模型和隐马尔可夫模型进行假肢（下肢）动作和路况识别。只需一个惯性传感器实现人体动作和路况识别，为智能假肢减少了制作成本和空间。本发明利用了GMM和HMM模型训练相互穿插计算，降低运算量，不仅比传统的识别方法运算量少，同时提高了人体行为和路况识别准确率和实时性。
-
公开(公告)号：CN108549856A
公开(公告)日：2018-09-18
申请号：CN201810285346.9
申请日：2018-04-02
Applicant: 上海理工大学
Abstract: 本发明涉及一种人体动作和路况识别方法，使用惯性传感器采集人体膝关节处x、y和z轴方向上的加速度、角度和角速度信号，并用小波包变换消除信号的抖动噪声和干扰；然后对时间窗内的信号进行快速傅里叶变换，提取其系数作为特征值；随后对特征进行主成分分析去除冗余信息；最后采用高斯混合模型和隐马尔可夫模型进行假肢（下肢）动作和路况识别。只需一个惯性传感器实现人体动作和路况识别，为智能假肢减少了制作成本和空间。本发明利用了GMM和HMM模型训练相互穿插计算，降低运算量，不仅比传统的识别方法运算量少，同时提高了人体行为和路况识别准确率和实时性。
-
公开(公告)号：CN109886358A
公开(公告)日：2019-06-14
申请号：CN201910216232.3
申请日：2019-03-21
Applicant: 上海理工大学
Abstract: 本发明提出了一种基于多时空信息融合卷积神经网络的人体行为识别方法，首先构建(2+1)D卷积神经网络，经训练后直到网络模型评估准确率达到稳定值后，使用网格模型进行视频人体行为识别。本发明中提出的(2+1)D卷积神经网络同时使用不同尺度空间感受野的空间卷积层进行空间信息提取，同时使用多个不同尺度时域感受野的时域卷积层进行时域信息提取，将提取的特征信息融合后作为下一层的输入，将包含n种尺度空间感受野的卷积核与包含m种尺度时域感受野的卷积核进行串联，设计了包含k种时空感受野的多时空融合卷积层，能够同时利用视频较长和较短时间范围内的特征信息建模，更准确地识别人体行为。
-
公开(公告)号：CN109740539B
公开(公告)日：2021-07-13
申请号：CN201910007340.X
申请日：2019-01-04
Applicant: 上海理工大学
Abstract: 本发明涉及一种基于超限学习机和融合卷积网络的3D物体识别方法，模型以3D物体的多视角投影图作为输入，经过多层融合卷积网络提取特征，利用半随机的ELM网络进行分类；卷积网络由提出的融合卷积单元组成，是一种改进的残差单元，多个并行残差通道上的卷积核个数依次增加，相同大小的卷积核参数共享。半数卷积核参数以高斯分布随机产生，其余通过训练寻优得到，使其能拟合更复杂的非线性函数，增加低层网络的特征提取能力。方法中使用了半随机的超限学习机分类层，既降低了模型训练的时间又增加了网络的稀疏性；结合了超限学习机和融合卷积网络，以2D视角图作为输入，其识别3D物体的准确率高于现有的深度学习的方法，网络实现更简单。
-
公开(公告)号：CN109740539A
公开(公告)日：2019-05-10
申请号：CN201910007340.X
申请日：2019-01-04
Applicant: 上海理工大学
Abstract: 本发明涉及一种基于超限学习机和融合卷积网络的3D物体识别方法，模型以3D物体的多视角投影图作为输入，经过多层融合卷积网络提取特征，利用半随机的ELM网络进行分类；卷积网络由提出的融合卷积单元组成，是一种改进的残差单元，多个并行残差通道上的卷积核个数依次增加，相同大小的卷积核参数共享。半数卷积核参数以高斯分布随机产生，其余通过训练寻优得到，使其能拟合更复杂的非线性函数，增加低层网络的特征提取能力。方法中使用了半随机的超限学习机分类层，既降低了模型训练的时间又增加了网络的稀疏性；结合了超限学习机和融合卷积网络，以2D视角图作为输入，其识别3D物体的准确率高于现有的深度学习的方法，网络实现更简单。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
