买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉青岛科技大学申请的专利基于上下文建模与背景抑制的弱监督时序行为检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115641529B 。

龙图腾网通过国家知识产权局官网在2025-12-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211208771.0，技术领域涉及：G06V20/40；该发明授权基于上下文建模与背景抑制的弱监督时序行为检测方法是由王传旭;王静;闫春娟设计研发完成，并于2022-09-30向国家知识产权局提交的专利申请。

本基于上下文建模与背景抑制的弱监督时序行为检测方法在说明书摘要公布了：本发明公开一种基于上下文建模与背景抑制的弱监督时序行为检测方法，包括以下步骤：将视频划分为多个不重叠片段，提取视频场景空间特征和时间运动特征，并构建每一片段的视频级特征表示；设计记忆库M作为动作定位的学习源，并基于自注意力模块对视频的上下文信息进行建模；添加背景辅助类，利用滤波模块抑制背景帧的输入特征；将细化后的片段特征及前景权重在注意力加权池中进一步联合实现视频级预测。本方案引入自注意模块，通过在特征建模及预测阶段对动作片段潜在的时间结构进行建模，进而细化不同属性的动作特征，保证行为实例的完整性；添加背景辅助类，通过滤波模块衰减来自背景帧的输入特征，且创建背景类的负样本，以此学习背景片段的特征、抑制背景噪声的影响，提高动作检测的准确定性。

本发明授权基于上下文建模与背景抑制的弱监督时序行为检测方法在权利要求书中公布了：1.基于上下文建模与背景抑制的弱监督时序行为检测方法，其特征在于，包括以下步骤： 步骤A、首先将视频划分为多个不重叠片段，提取视频场景空间特征和时间运动特征，并将其进行特征融合，进而构建视频级特征表示； 步骤B、设计记忆库M作为动作定位的学习源，并采用自注意力模块对视频的上下文信息进行建模，以提炼片段级动作特征，并训练片段级分类器； 1将步骤A获得的视频级特征存入到记忆库M中，M∈RT×2D，T表示划分的多个不重叠片段数，D代表特征维度，采用EQ、Ek和Ev编码器将视频片段分别对应的生成查询、键和值； Ki∈RT×2Dm，Vi∈RT×C+12D是键和值，m是控制内存读取效率的超参数； 2基于编码器EQ，将视频级特征编码为一组查询Qi，Qi∈RT×2Dm，然后计算带有查询的视频片段之间的相似度分数，用其相似度分数聚合上下文信息得到细化的片段级动作特征： 其中，I是用于保存原始视频信息的单位矩阵，与保持相同的维度；通过片段之间的信息传递，提取全局上下文信息并获得更多易于分类和定位的判别特征； 3计算Qi与Ki之间的相互作用，并获得不同片段间的相关性，从而使网络具有全局视图，最后进行聚合得到相似矩阵如下所示： 其中， 4将相似矩阵重塑为一组片段级分类器其适应每个片段的外观或运动变化；利用计算稀疏损失函数以训练片段级分类器： 其中，||||1为L1损失，其鼓励背景帧与所有动作片段具有低相似性； 步骤C、添加背景辅助类，通过滤波模块抑制背景帧的输入特征，以防止背景噪声的干扰并获得前景注意力权重； 1将作为滤波模块的输入，所述滤波模块包含两个时序的1D卷积及Sigmoid函数，由与背景类相反的训练目标训练来抑制背景帧，得到前景注意力权重Wi∈[0,1]，是一个具有参数Φ的函数； 2利用真实行为类别与预测得分pj为每个类构建二进制交叉熵损失Lsup，以对滤波模块进行训练： 其中，pj表示预测得分，Lsup表示二进制交叉熵损失； 步骤D、结合步骤B和步骤C，对网络进行迭代优化训练，将细化后的片段级动作特征及前景注意力权重在注意力加权池中进一步联合实现视频级预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人青岛科技大学，其通讯地址为：266000 山东省青岛市崂山区松岭路99号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。