【技术实现步骤摘要】
基于特征空间深度对抗学习的空中手写字符轨迹恢复方法
本专利技术涉及深度学习和人工智能
，具体涉及一种基于特征空间深度对抗学习的空中手写字符轨迹恢复方法。
技术介绍
基于惯性传感器(加速度计和陀螺仪)的空中手写是近年来计算机领域中新兴的前沿研究方向之一，在智能家居、自动驾驶、教育、医疗、工业生产、辅助交流等方面有广泛的应用。但是，惯性信号(加速度和角速度信号)是衡量变化的量，它们的可读性很差，仅凭人眼观察，难以从波形辨识具体的书写内容。惯性信号的这一特点，在数据处理阶段为坏样本清洗、样本标注、字符级别的样本分割带来了困难，还限制了空中手写识别模型的调优。因此，惯性信号的可视化任务在空中手写研究领域具有重要的意义。将惯性信号恢复成相应的平面轨迹，无疑是一种简单直观的可视化方法。传统的方法更多地集中于直接从惯性信号恢复轨迹以及修正运动轨迹的累积误差，缺乏对真实书写轨迹的有效利用，恢复精度和实用性日渐不能令用户感到满意。另一方面，基于有监督的域迁移方法需要配对的惯性传感信号和平面轨迹样本，目前，包含配对样本的空中手写字符数据集非常稀缺，给模型训练带来困难。专利技术内...
【技术保护点】
1.一种基于特征空间深度对抗学习的空中手写字符轨迹恢复方法，其特征在于，所述方法包括以下步骤：S1、获取空中手写字符惯性传感信号序列和平面轨迹坐标序列与各自的类别标签，进行数据预处理，并划分训练样本集和测试样本集；S2、设计并训练一个基于特征空间深度对抗学习的域迁移模型，具体步骤：S21、设计一个惯性传感信号域的自编码机，包括一个编码器和一个解码器，用于惯性传感信号的特征压缩和还原，具体步骤如下：S21(a)、惯性传感信号序列x1输入编码器，用卷积层和深度残差网络提取特征，输出特征图m1；S21(b)、m1输入解码器，用解卷积层恢复得到特征e1；S21(c)、用一维卷积对e...
【技术特征摘要】
1.一种基于特征空间深度对抗学习的空中手写字符轨迹恢复方法，其特征在于，所述方法包括以下步骤：S1、获取空中手写字符惯性传感信号序列和平面轨迹坐标序列与各自的类别标签，进行数据预处理，并划分训练样本集和测试样本集；S2、设计并训练一个基于特征空间深度对抗学习的域迁移模型，具体步骤：S21、设计一个惯性传感信号域的自编码机，包括一个编码器和一个解码器，用于惯性传感信号的特征压缩和还原，具体步骤如下：S21(a)、惯性传感信号序列x1输入编码器，用卷积层和深度残差网络提取特征，输出特征图m1；S21(b)、m1输入解码器，用解卷积层恢复得到特征e1；S21(c)、用一维卷积对e1进行平滑，输出惯性传感信号序列S22、设计一个平面轨迹坐标域的自编码机，包括一个编码器和一个解码器，用于平面轨迹的特征压缩和还原，具体步骤如下：S22(a)、平面轨迹坐标序列x2输入编码器，用卷积层和深度残差网络提取特征，输出特征图m2；S22(b)、m2输入解码器，用解卷积层恢复得到特征e2；S22(c)、用一维卷积对e2进行平滑，输出平面轨迹坐标序列S23、设计一个特征空间分类器，根据两个域的编码器输出的特征图，区分字符类别，其具体运算步骤如下：S23(a)、输入由惯性传感信号域编码器输出的特征图m1，通过全连接和softmax计算，输出分类预测S23(b)、输入由平面轨迹坐标域编码器输出的特征图m2，通过全连接和softmax计算，输出分类预测S24、设计一个特征空间判别器，用于区分特征图的来源，即判别特征图来自哪一个域，其具体运算步骤如下：S24(a)、输入由惯性传感信号域编码器输出的特征图m1，通过卷积计算，输出域判别预测S24(b)、输入由平面轨迹坐标域编码器输出的特征图m2，通过卷积计算，输出域判别预测S25、用训练样本集对上述两个自编码机、特征空间分类器和判别器同时进行训练；用输入和解码器输出的序列计算重构损失，用特征空间分类器输出的分类预测与真实的类别标签计算分类损失，用特征空间判别器输出的域判别预测计算对抗损失，将误差反向传播，优化各网络参数；S3、对输入的惯性传感信号序列，预处理后，依次输入到惯性传感信号域编码器和平面轨迹域解码器，把平面轨迹域解码器的输出作为恢复的平面轨迹。2.根据权利要求1所述的一种基于特征空间深度对抗学习的空中手写字符轨迹恢复方法，其特征在于，所述步骤S1中的数据获取、预处理和划分过程，具体步骤如下：S11、从公开数据集6DMG中获取空中手写字符的惯性传感信号序列和平面轨迹坐标序列以及各自的类别标签，对类别标签进行独热编码；6维惯性传感信号包括3维加速度信号和3维角速度信号，2维平面轨迹坐标包括x轴和y轴坐标；类别标签有62类，包括10个阿拉伯数字、26个大写英文字母和26个小写英文字母；S12、对获取的惯性传感信...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。