-
公开(公告)号：CN116453648B
公开(公告)日：2023-09-05
申请号：CN202310680538.0
申请日：2023-06-09
Applicant: 华侨大学
IPC: G16H20/30 , A63B71/06 , A63B24/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于对比学习的康复运动质量评估系统，其包括：三元组样本生成单元获取受试者的骨架序列集，并根据所述骨架序列集生成三元组样本；特征提取单元将所述三元组样本输入至特征提取网络中进行特征提取，以获得各个样本的特征；分数生成单元对提取到的各个样本的特征，使用高斯混合模型进行性能度量和分数映射，得到各个样本的分数；质量评估网络训练单元将生成的分数作为对应的样本的标签，将样本以及标签输入至质量评估网络中，对所述质量评估网络进行训练。质量评估单元基于训练得到的所述质量评估网络对采集的用户的骨架序列进行质量评估，获得预测分数。本发明解决了康复运动中缺乏专家评分标签导致的评估困难的问题。
-
Patent Agency Ranking
公开(公告)号：CN119479079B
公开(公告)日：2025-04-25
申请号：CN202510058468.4
申请日：2025-01-15
Applicant: 华侨大学
Abstract: 本发明公开了一种基于深度骨架特征学习的细粒度体育运动检测方法及装置，方法包括：读取骨架图，运用图卷积网络提取深度姿态特征；将深度姿态特征输入时间边界分类器，以预测每个时间戳的边界概率和动作概率，并根据边界概率和动作概率确定可能的开始和结束位置，生成候选提名集；对候选提名集，通过提取边界位置的时间关系来重新评估每个候选提名的可能性，得到预测置信值；通过非极大值抑制将冗余的候选提名去除，得到最终提名集；将最终提名集输入至提名分类模块以估计每个提名的子动作类别。本发明通过捕捉人体运动的动态变化，提取出重要的姿态变化模式，对体育动作的类别和边界进行有效表征，解决细粒度体育动作的检测问题。
-
公开(公告)号：CN119495125B
公开(公告)日：2025-03-28
申请号：CN202510072603.0
申请日：2025-01-17
Applicant: 华侨大学
IPC: G06V40/20 , G06N3/0464 , G06N3/0495 , G06V10/44 , G06V10/774 , G06V10/82 , G06V20/40 , G06V40/10
Abstract: 本发明提供了一种联合式体育动作检测方法，涉及视频分析技术领域，本方法将动作分类和边界定位目标结合起来，通过学习统一的动作表示和边界判定特征，直接将特征映射为检测结果；不仅提高了细粒度体育动作检测的性能，还提升了模型的表示能力和灵活性。同时，还通过建立分组式特征提取主干网络和多尺度时序特征提取颈部网络模块，能够有效地处理细粒度体育动作检测任务，解决了传统体育动作检测方法在细粒度检测任务中的局限性。
-
公开(公告)号：CN116453648A
公开(公告)日：2023-07-18
申请号：CN202310680538.0
申请日：2023-06-09
Applicant: 华侨大学
IPC: G16H20/30 , A63B71/06 , A63B24/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于对比学习的康复运动质量评估系统，其包括：三元组样本生成单元获取受试者的骨架序列集，并根据所述骨架序列集生成三元组样本；特征提取单元将所述三元组样本输入至特征提取网络中进行特征提取，以获得各个样本的特征；分数生成单元对提取到的各个样本的特征，使用高斯混合模型进行性能度量和分数映射，得到各个样本的分数；质量评估网络训练单元将生成的分数作为对应的样本的标签，将样本以及标签输入至质量评估网络中，对所述质量评估网络进行训练。质量评估单元基于训练得到的所述质量评估网络对采集的用户的骨架序列进行质量评估，获得预测分数。本发明解决了康复运动中缺乏专家评分标签导致的评估困难的问题。
-
公开(公告)号：CN119495125A
公开(公告)日：2025-02-21
申请号：CN202510072603.0
申请日：2025-01-17
Applicant: 华侨大学
IPC: G06V40/20 , G06N3/0464 , G06N3/0495 , G06V10/44 , G06V10/774 , G06V10/82 , G06V20/40 , G06V40/10
Abstract: 本发明提供了一种联合式体育动作检测方法，涉及视频分析技术领域，本方法将动作分类和边界定位目标结合起来，通过学习统一的动作表示和边界判定特征，直接将特征映射为检测结果；不仅提高了细粒度体育动作检测的性能，还提升了模型的表示能力和灵活性。同时，还通过建立分组式特征提取主干网络和多尺度时序特征提取颈部网络模块，能够有效地处理细粒度体育动作检测任务，解决了传统体育动作检测方法在细粒度检测任务中的局限性。
-
公开(公告)号：CN119479079A
公开(公告)日：2025-02-18
申请号：CN202510058468.4
申请日：2025-01-15
Applicant: 华侨大学
Abstract: 本发明公开了一种基于深度骨架特征学习的细粒度体育运动检测方法及装置，方法包括：读取骨架图，运用图卷积网络提取深度姿态特征；将深度姿态特征输入时间边界分类器，以预测每个时间戳的边界概率和动作概率，并根据边界概率和动作概率确定可能的开始和结束位置，生成候选提名集；对候选提名集，通过提取边界位置的时间关系来重新评估每个候选提名的可能性，得到预测置信值；通过非极大值抑制将冗余的候选提名去除，得到最终提名集；将最终提名集输入至提名分类模块以估计每个提名的子动作类别。本发明通过捕捉人体运动的动态变化，提取出重要的姿态变化模式，对体育动作的类别和边界进行有效表征，解决细粒度体育动作的检测问题。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
