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！

摘要：本发明涉及一种域自适应穿墙雷达人体姿态识别方法，包括如下步骤：步骤一、在第一环境下采集源域数据，制作源数据集，并进行标注；在第二环境下采集目标域数据，制作目标数据集；步骤二、将源数据集中的数据送入卷积神经网络模型，通过特征提取模块，提取包含人体姿态信息的特征，送入分类器后将其分类为不同的姿态类别，更新特征提取模块和分类器的参数；步骤三、将源数据集和目标数据集中的数据送入模型，通过特征提取模块分别提取源数据集的特征和目标数据集的特征，将特征输入判别器，获得域类别的预测结果，更新特征提取模块和判别器的参数；步骤四、将目标数据集中的数据送入神经网络模型，提取包含人体姿态信息的特征送入分类器后，输出人体目标的姿态类别。

主权项：1.一种域自适应穿墙雷达人体姿态识别方法，其特征在于，包括如下步骤：步骤一、在第一环境下采集源域数据，制作源数据集，并进行标注；在第二环境下采集目标域数据，制作目标数据集；步骤二、将源数据集中的数据送入卷积神经网络模型，通过N层特征提取模块，提取包含人体姿态信息的特征，将这些特征送入分类器后将其分类为不同的姿态类别，通过对损失函数使用反向传播算法，更新特征提取模块和分类器的参数；步骤三、将源数据集和目标数据集中的数据送入模型，通过特征提取模块分别提取源数据集的特征和目标数据集的特征，将特征输入判别器，获得域类别的预测结果，使用反向传播算法更新判别器和特征提取模块的参数；步骤四、当模型训练完成后，将目标数据集中的数据送入神经网络模型，通过特征提取模块提取包含人体姿态信息的特征，将这些特征送入分类器后，输出人体目标的姿态类别；所述步骤二、将源数据集中的数据送入卷积神经网络模型，通过N层特征提取模块，提取包含人体姿态信息的特征，将这些特征送入分类器后将其分类为不同的姿态类别，通过对损失函数使用反向传播算法，更新特征提取模块和分类器的参数；将源数据集中的数据送入卷积神经网络模型，通过N层特征提取模块，提取包含人体姿态信息的特征；将这些特征送入分类器后将其分类为不同的姿态类别；由于源数据集已进行标注，运用监督学习的方法，构造标注类别y与模型的预测类别ŷ之间的损失函数，即姿态类别损失函数，通过对该损失函数使用反向传播算法，更新特征提取模块和分类器的参数，记Ns是源数据集中的样本总数，I是示性函数，当条件满足时为1否则为0；则表示为： ，c和i是中间变量，表明当前处理第i个样本对于第c个工作类别的预测结果，k是指定的类别总数，yi代表第i个样本的预测类别，yic代表第i个样本输出的第c个类别的得分，即置信度；所述步骤三、将源数据集和目标数据集中的数据送入模型，通过特征提取模块分别提取源数据集的特征和目标数据集的特征，将特征输入判别器，获得域类别的预测结果，使用反向传播算法更新判别器和特征提取模块的参数，具体包括：将源数据集和目标数据集中的数据送入模型，通过特征提取模块分别提取源数据集的特征和目标数据集的特征，将这特征输入判别器，获得域类别的预测结果；对于判别器，希望其能正确区分源数据集的特征和目标数据集的特征，构造损失函数；记Nt是目标数据集中的样本总数，Disc表示判别器的输出结果，则表示为： ，n是中间变量，表明当前处理第n个特征，对于特征提取模块，希望其提取的目标数据集的特征分布足够接近源数据集的特征分布，使得判别器对目标数据集特征错误分类，构造损失函数： ，按照对抗学习的方法交替优化损失函数和损失函数，使其达到纳什均衡，使用反向传播算法更新判别器和特征提取模块的参数，通过重复步骤一和步骤二，既使得神经网络模型能够对源数据集中的数据进行准确的分类，又使得模型对源数据集和目标数据集提取的特征具有近似的分布。

全文数据：

权利要求：

百度查询： 中国科学院空天信息创新研究院 一种域自适应的穿墙雷达人体姿态识别方法