公开(公告)号：CN115063882A

公开(公告)日：2022-09-16

申请号：CN202210652599.1

申请日：2022-06-07

Applicant: 桂林电子科技大学 ,  桂林安维科技有限公司

Inventor： 徐增敏 ,  陈家昆 ,  覃义 ,  蒙儒省

IPC: G06V40/20 ,  G06V10/764 ,  G06V10/774 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及视频处理技术领域，具体涉及一种基于自适应相关性学习的半监督人体行为识别方法，包括提取视频样本数据的特征，得到样本特征；将视频样本数据划分为有标签数据和无标签数据；基于样本特征构建无向图结构；利用标签数据和无标签数据，并基于自适应相关性学习模块对视频样本数据进行相关性建模，得到归一化权重；基于无向图结构和归一化权重，并利用图卷积模型对局部邻域内的样本特征进行聚合，得到输入特征；利用输入特征对分类层进行训练，得到最终模型；利用测试数据对最终模型进行评估，得到识别性能，解决了现有的人体行为识别方法未使用无标签数据对模型进行训练，从而导致模型的识别性能受到限制的问题。

公开(公告)号：CN115100738A

公开(公告)日：2022-09-23

申请号：CN202210638655.6

申请日：2022-06-07

Applicant: 桂林电子科技大学 ,  桂林安维科技有限公司

Inventor： 徐增敏 ,  陈家昆 ,  王会勇 ,  蒙儒省

IPC: G06V40/20 ,  G06V10/774 ,  G06N20/00

Abstract: 本发明涉及视频处理技术领域，具体涉及一种基于对比学习的半监督人体行为识别方法，包括将视频样本数据划分为有标签数据和无标签数据；基于双路径时间对比学习框架，并依次利用有标签数据和无标签数据对识别模型进行训练，得到二次训练模型；为无标签数据分配伪标签后对二次训练模型进行监督训练，得到最终模型；利用测试数据对模型进行评估，得到模型的识别性能，本发明通过利用对比学习构建半监督模型来挖掘视频样本数据中更多信息，解决了现有的人体行为识别方法在有限的有标签数据上获得的人体行为信息较少的问题。