【技术实现步骤摘要】
网络训练、动作识别方法、装置、设备及存储介质
本申请涉及计算机视觉技术，尤其涉及一种网络训练、动作识别方法、装置、设备及存储介质。
技术介绍
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等。在人工智能技术的应用中，人体动作识别技术的应用发挥着越来越重要的价值，例如检测目标人物是否摔倒或疾病，健身、体育和舞蹈等的自动教学，理解全身的肢体语言(如机场跑道信号、交警信号等)，增强安保和监控等。由于人体骨骼关键点对于描述人体姿态，预测人体行为至关重要。因此，通过人体骨骼点序列动作识别技术对人体骨骼点序列数据进行分析，可以对人体动作类别进行判断和识别。相关技术中，由于人体骨骼关键点的可见性受人体本身的姿态及环境因素的影响较大，会导致通过传感器估计出来的人体骨骼点序列存在一定的噪声，对后续的动作识别带来干扰。
技术实现思路
本申请实施例提供一种网络训练、动作识别方法、装置、设备及计算机可...
【技术保护点】
1.一种网络训练方法，其特征在于，包括：/n利用人体骨骼点序列的第一序列数据集和所述第一序列数据集中每一第一序列数据对应的视角标签，更新预训练模型的模型参数；/n基于更新后的预训练模型的模型参数，初始化人体动作识别模型的模型参数；其中，所述预训练模型和所述人体动作识别模型具有结构相同的特征提取网络；/n利用人体骨骼点序列的第二序列数据集和所述第二序列数据集中的每一第二序列数据对应的动作类别标签，对所述人体动作识别模型的模型参数进行更新，得到训练后的人体动作识别模型。/n
【技术特征摘要】
1.一种网络训练方法，其特征在于，包括：
利用人体骨骼点序列的第一序列数据集和所述第一序列数据集中每一第一序列数据对应的视角标签，更新预训练模型的模型参数；
基于更新后的预训练模型的模型参数，初始化人体动作识别模型的模型参数；其中，所述预训练模型和所述人体动作识别模型具有结构相同的特征提取网络；
利用人体骨骼点序列的第二序列数据集和所述第二序列数据集中的每一第二序列数据对应的动作类别标签，对所述人体动作识别模型的模型参数进行更新，得到训练后的人体动作识别模型。
2.根据权利要求1所述的方法，其特征在于，在所述利用人体骨骼点序列的第一序列数据集和所述第一序列数据集中每一第一序列数据对应的视角标签，更新预训练模型的模型参数之前，所述方法还包括：
获取利用多个不同视角的摄像头采集的目标多媒体文件，所述目标多媒体文件包括当前场景的彩色图像视频、深度图序列中的至少一项，其中，每一所述摄像头具有唯一的编号；
对每一所述摄像头采集的目标多媒体文件进行人体姿态估计，得到人体骨骼点序列的第一序列数据；
将所述摄像头的编号确定为所述第一序列数据的视角标签；
将每一所述第一序列数据和对应所述第一序列数据的视角标签，加入第一序列数据集。
3.根据权利要求1所述的方法，其特征在于，在所述利用人体骨骼点序列的第一序列数据集和所述第一序列数据集中每一第一序列数据对应的视角标签，更新预训练模型的模型参数之前，所述方法还包括：
对所述第一序列数据集中的第一序列数据进行聚类，得到聚类结果；
针对所述聚类结果的每一聚类分组，将与聚类中心的距离超过特定距离阈值的第一序列数据确定为噪声数据；
从所述第一序列数据集中将所述噪声数据去除。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述预训练模型包括特征提取网络和第一预测类别输出层，所述特征提取网络采用时空图卷积网络，所述第一预测类别输出层采用输出数量为第一输出数量的全连接层，其中，所述第一输出数量为所述第一序列数据集中视角标签的类别数。
5.根据权利要求4所述的方法，其特征在于，所述预训练模型的模型参数包括第一特征参数和第二特征参数，所述第一特征参数为所述特征提取网络的特征参数，所述第二特征参数为所述第一预测类别输出层的特征参数；
所述利用人体骨骼点序列的第一序列数据集和所述第一序列数据集中每一第一序列数据对应的视角标签，更新预训练模型的模型参数，包括：
利用所述特征提取网络，基于初始化后的所述第一特征参数，对每一第一序列数据进行特征提取，得到对应第一序列数据的特征向量；
基于初始化后的所述第二特征参数，利用所述第一...
【专利技术属性】
技术研发人员：徐飞翔，黄迎松，白琨，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44
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。