-
公开(公告)号：CN111178288B
公开(公告)日：2024-03-01
申请号：CN201911411314.X
申请日：2019-12-31
Applicant: 南京师范大学
IPC: G06V40/20 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于局部误差逐层训练的人体姿态识别方法和装置，所述方法包括：S1、获取人体姿态数据，进行降噪、归一化处理；S2、将处理后数据送入卷积神经网络模型进行逐层训练，对人体姿态进行分类识别，当识别结果符合准确率要求时，输出模型；S3、利用训练好的模型对待识别的人体姿态数据进行分类识别。本发明摆脱了传统卷积神经网络依赖全局误差及反向传播更新网络参数，通过在每层神经网络中构建代价函数，实现逐层反向传播、层层优化、分批更新权重参数。通过避免保存全局梯度流参数实现节省计算机资源，并极大加快训练周期，提高了可穿戴传感器识别精度，在运动辅助、智能家居、医疗康复、虚拟运动场景等领域具有重要应用意义。
-
公开(公告)号：CN113642432A
公开(公告)日：2021-11-12
申请号：CN202110869054.1
申请日：2021-07-30
Applicant: 南京师范大学
Abstract: 本发明公开了一种基于协方差矩阵变换的卷积神经网络用于人体姿态识别方法，涉及人工智能的应用领域，该方法包括利用智能手机采集关于人体姿态的传感器时间序列，并且对原始数据进行归一化，滑窗等操作切分数据集并固定动作属性标签，然后利用协方差矩阵变换搭建卷积神经网络系统，利用协方差矩阵的逆变换来消除数据的相关性，在每层卷积之前均加入协方差操作可以避免数据的相关性，用训练数据集来训练网络参数，测试数据集来验证网络精度，最后固化网络模型生成pb文件通过Android studio迁移到android客户端，可以使移动设备利用自带的加速度计和陀螺仪来识别用户当前所处状态。
-
公开(公告)号：CN113642432B
公开(公告)日：2024-09-24
申请号：CN202110869054.1
申请日：2021-07-30
Applicant: 南京师范大学
IPC: G06V40/20 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于协方差矩阵变换的卷积神经网络用于人体姿态识别方法，涉及人工智能的应用领域，该方法包括利用智能手机采集关于人体姿态的传感器时间序列，并且对原始数据进行归一化，滑窗等操作切分数据集并固定动作属性标签，然后利用协方差矩阵变换搭建卷积神经网络系统，利用协方差矩阵的逆变换来消除数据的相关性，在每层卷积之前均加入协方差操作可以避免数据的相关性，用训练数据集来训练网络参数，测试数据集来验证网络精度，最后固化网络模型生成pb文件通过Android studio迁移到android客户端，可以使移动设备利用自带的加速度计和陀螺仪来识别用户当前所处状态。
-
公开(公告)号：CN111178288A
公开(公告)日：2020-05-19
申请号：CN201911411314.X
申请日：2019-12-31
Applicant: 南京师范大学
Abstract: 本发明公开了一种基于局部误差逐层训练的人体姿态识别方法和装置，所述方法包括：S1、获取人体姿态数据，进行降噪、归一化处理；S2、将处理后数据送入卷积神经网络模型进行逐层训练，对人体姿态进行分类识别，当识别结果符合准确率要求时，输出模型；S3、利用训练好的模型对待识别的人体姿态数据进行分类识别。本发明摆脱了传统卷积神经网络依赖全局误差及反向传播更新网络参数，通过在每层神经网络中构建代价函数，实现逐层反向传播、层层优化、分批更新权重参数。通过避免保存全局梯度流参数实现节省计算机资源，并极大加快训练周期，提高了可穿戴传感器识别精度，在运动辅助、智能家居、医疗康复、虚拟运动场景等领域具有重要应用意义。
-
-
-
Search Results
4
records
(took 0.016 seconds)
