-
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：CN111753683A
公开(公告)日：2020-10-09
申请号：CN202010528771.3
申请日：2020-06-11
Applicant: 南京师范大学
Abstract: 本发明公开了一种基于多专家卷积神经网络的人体姿态识别方法。该实施引入了多专家卷积核策略，首先是对输入样本利用路由函数产生路由权重，然后再和多个专家卷积核进行相乘。这样就完成了在卷积操作之前将输入样本映射给各个专家，然后线性结合过的各专家将再次对原样本进行卷积，经过多层训练后，各专家将特征图送入分类层用于各动作数据的识别。大多数路由权重集中在0和1附近，所以整个网络可以看成是一个稀疏矩阵，即当样本输入时，仅需激活网络的一小部分即可实现精准识别。本发明具有识别精准、瞬时响应、可移植能力强等特点，在运动检测，人机交互和健康监视等方面作用显著。
-
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
3
records
(took 0.019 seconds)
