公开(公告)号：CN113052073B

公开(公告)日：2024-09-27

申请号：CN202110319209.4

申请日：2021-03-25

Applicant: 浙江工业大学

Inventor： 陈朋 ,  宗鹏程 ,  党源杰 ,  俞天纬 ,  王海霞

IPC: G06V20/40 ,  G06V10/74 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 一种基于元学习的少样本行为识别方法，包括以下步骤：1)视频数据集分为元训练集和元测试集，从元训练集中抽取多组支持集和询问集用于训练模型，从元测试集中抽取多组支持集和询问集用于测试模型；2)使用浅层三维卷积神经网络提取支持集和询问集的视频特征；3)构建一种元学习网络，用于对支持集进行建模，生成步骤2)中浅层三维卷积神经网络参数；4)对步骤2)提取到的视频特征进行二阶变换和归一化处理；5)将处理后的支持集和询问集视频特征进行拼接，采用多层二维卷积神经网络提取询问集和支持集视频特征之间的非线性距离关系，对训练集视频进行分类。本发明具有较好的任务间泛化能力以及对新视频行为的识别准确率。

公开(公告)号：CN113052073A

公开(公告)日：2021-06-29

申请号：CN202110319209.4

申请日：2021-03-25

Applicant: 浙江工业大学

Inventor： 陈朋 ,  宗鹏程 ,  党源杰 ,  俞天纬 ,  王海霞

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于元学习的少样本行为识别方法，包括以下步骤：1)视频数据集分为元训练集和元测试集，从元训练集中抽取多组支持集和询问集用于训练模型，从元测试集中抽取多组支持集和询问集用于测试模型；2)使用浅层三维卷积神经网络提取支持集和询问集的视频特征；3)构建一种元学习网络，用于对支持集进行建模，生成步骤2)中浅层三维卷积神经网络参数；4)对步骤2)提取到的视频特征进行二阶变换和归一化处理；5)将处理后的支持集和询问集视频特征进行拼接，采用多层二维卷积神经网络提取询问集和支持集视频特征之间的非线性距离关系，对训练集视频进行分类。本发明具有较好的任务间泛化能力以及对新视频行为的识别准确率。