【技术实现步骤摘要】
图数据识别方法、装置、计算机设备和存储介质
本申请涉及计算机
，尤其涉及一种图数据识别方法、装置、计算机设备和存储介质。
技术介绍
在骨骼点数据中，人体是由若干预先定义好的关键关节点在相机坐标系中的坐标来表示的。它可以很方便地通过深度摄像头(例如Kinect)以及各种姿态估计算法(例如OpenPose)获得。图1为Kinect深度摄像机所定义的人体的关键关节点。它将人体定义为25个关键关节点的三维坐标。由于行为往往是以视频的形式存在的，所以一个长度为T帧的行为可以用Tx25x3的张量来表示。参照图2，图2为一个实施例中的时空图。每个关节点定义为图的节点，关节点之间的物理连接定义为图的边，并且在相邻帧的同一个节点间加上时间维度的边，得到一张可以描述人体行为的时空图。目前常见的基于骨骼点的行为识别方法为图卷积。图卷积和普通卷积操作不同，在图上做卷积时，每一个节点的邻节点数是不固定的，而卷积操作的参数是固定的，为了将固定数量的参数和不定数量的临节点数对应起来，需要定义映射函数，通过映射函数实现参数和节点的对应。如定义卷积核大小为三，如图3所示，三个参数分别对应于远...
【技术保护点】
1.一种图数据识别方法，其特征在于，所述方法包括：获取输入已训练的卷积神经网络的当前卷积层的输入特征图，所述输入特征图为根据图数据生成的特征图；获取所述当前卷积层的第一偏置矩阵，其中所述第一偏置矩阵为生成所述已训练的卷积神经网络时生成的矩阵；根据所述输入特征图生成第二偏置矩阵；获取参考邻接矩阵，计算所述参考邻接矩阵、所述第一偏置矩阵和所述第二偏置矩阵的和，得到目标邻接矩阵；获取所述当前卷积层的卷积核；根据所述当前卷积层的卷积核、所述目标邻接矩阵和所述输入特征图生成目标输出特征图；根据所述目标输出特征图，识别出所述图数据对应的识别结果。
【技术特征摘要】
1.一种图数据识别方法，其特征在于，所述方法包括：获取输入已训练的卷积神经网络的当前卷积层的输入特征图，所述输入特征图为根据图数据生成的特征图；获取所述当前卷积层的第一偏置矩阵，其中所述第一偏置矩阵为生成所述已训练的卷积神经网络时生成的矩阵；根据所述输入特征图生成第二偏置矩阵；获取参考邻接矩阵，计算所述参考邻接矩阵、所述第一偏置矩阵和所述第二偏置矩阵的和，得到目标邻接矩阵；获取所述当前卷积层的卷积核；根据所述当前卷积层的卷积核、所述目标邻接矩阵和所述输入特征图生成目标输出特征图；根据所述目标输出特征图，识别出所述图数据对应的识别结果。2.根据权利要求1所时述的方法，其特征在于，所述根据所述输入特征图生成的第二偏置矩阵，包括：采用所述已训练的卷积神经网络中的降维函数对所述输入特征图进行降维，得到降维矩阵；归一化所述降维矩阵，得到归一化矩阵，所述归一化矩阵为所述第二偏置矩阵。3.根据权利要求2所述的方法，其特征在于，所述降维函数包括两个，所述输入特征图至少包括三个维度，其中，第一维度为通道数，所述方法包括：根据所述降维函数中的第一降维函数对所述输入特征图的各个通道的矩阵进行降维，得到各个通道的第一降维矩阵；根据所述降维函数中的第二降维函数对所述输入特征图的各个通道的矩阵进行降维，得到各个所述通道的第二降维矩阵；计算各个通道的所述第一降维矩阵和第二降维矩阵的乘积，得到各个通道的第一乘积矩阵；归一化各个通道的第一乘积矩阵，得到所述归一化矩阵对应的通道的矩阵。4.根据权利要求1所述的方法，其特征在于，生成所述已训练的卷积神经网络的步骤，包括：获取包含多个训练图数据的训练集合，所述训练图数据携带标签信息；将所述训练图数据和所述标签信息输入初始卷积神经网络，通过所述初始卷积神经网络提取各个所述训练图数据的特征；根据各个所述训练图数据的特征，识别出各个所述训练图数据对应的识别结果；按照预设损失函数计算各个所述训练图数据的识别结果和所述标签的损失值；当所述损失值小于或等于预设损失值时，得到所述已训练的卷积神经网络。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：当所述损失值大于所述预设损失值时，根据所述损失值通过梯度回传算法更新所述初始卷积神经网络的网络参数；采用更新了网络参数的初始卷积神经网络作为所述初始卷积神经网络，进入将所述训练图数据和所述标签信息输入初始卷积神经网络，直至所述按照预设损失函数计算各个所述训练图数据的识别结果和所述标签的损失值，小于或等于所...
【专利技术属性】
技术研发人员：张一帆，史磊，
申请(专利权)人：中国科学院自动化研究所南京人工智能芯片创新研究院，中国科学院自动化研究所，
类型：发明
国别省市：江苏,32
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。