Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种域自适应的穿墙雷达人体姿态识别方法 

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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。