【技术实现步骤摘要】
一维数据目标检测方法及装置
[0001]本申请涉及目标检测
，具体地，涉及一种一维数据目标检测方法及装置。
技术介绍
[0002]一维数据是一种较为常见的数据形式，例如基于WiFi的CSI(Channel State Information，信道状态信息)信号、语音信号和心电信号等，而如何高效地处理一维数据是机器学习中一项重要研究。一般对于一维数据的处理通常是先获取数据中有意义的片段后再进行后续处理，以基于WiFi的CSI信号的活动识别为例，先检测并提取出信号中包含活动的片段后再进行识别处理，所以检测出信号中包含活动的片段的准确与否影响着后续识别分类等任务的性能。
[0003]现有的一维数据目标检测方法大多是基于阈值的检测，除此之外还有基于深度学习的检测方法。基于阈值的检测方法的原理是由于数据中发生活动片段的信号波动范围远大于无活动发生的波动范围，所以提前设置一个阈值，如果数据波动的范围超过了阈值，则说明发生了活动。在这类方法中，阈值的大小会直接影响划分的结果，然而，此类方法中的阈值往往是由人根据主观观察或者以...
【技术保护点】
【技术特征摘要】
1.一种标签预测网络模型的训练方法，其特征在于，包括：确定一维训练数据的多个目标框，所述目标框为所述一维训练数据中的有意义数据片段；针对每个所述目标框中的每个数据点，计算所述数据点与所述目标框的起点之间的距离，记为左偏移量，计算所述数据点与所述目标框的终点之间的距离，记为右偏移量，计算所述数据点位于所述目标框中间位置的概率，记为前景概率，所述左偏移量、所述右偏移量和所述前景概率形成三线标签；将所述一维训练数据和每个所述目标框的每个数据点对应的所述三线标签，输入到标签预测网络模型中进行训练，得到训练后的标签预测网络模型。2.如权利要求1所述的方法，其特征在于，所述标签预测网络模型包括缩放卷积层、特征变换块和反缩放卷积层；所述缩放卷积层用于对所述一维训练数据和每个所述目标框的每个数据点对应的所述三线标签进行特征提取，得到二维张量形式的特征提取结果；所述特征变换块用于对所述二维张量形式的特征提取结果进行处理，得到所述左偏移量、所述右偏移量和所述前景概率分别对应的类频谱图；所述反缩放卷积层用于对所述左偏移量、所述右偏移量和所述前景概率分别对应的类频谱图进行处理，得到每个所述目标框的每个数据点对应的标签预测结果，所述标签预测结果包括所述左偏移量、所述右偏移量和所述前景概率的预测值。3.如权利要求2所述的方法，其特征在于，所述方法还包括：对每个所述目标框的每个数据点对应的标签预测结果进行解码，确定每个所述目标框的目标检测结果，所述目标检测结果包括所述目标框的起点和终点的预测值；根据所述目标框的起点和终点的预测值以及所述目标框的起点和终点的实际值，对训练得到的标签预测网络模型进行评价，得到评价结果；所述评价结果用于调整所述标签预测网络模型的参数以训练所述标签预测网络模型。4.如权利要求3所述的方法，其特征在于，其中，对每个所述目标框的每个数据点对应的标签预测结果进行解码，确定每个所述目标框的目标检测结果，包括：将当前正在处理的目标框记为当前目标框，确定当前目标框中数据点对应的标签预测结果中前景概率的预测值的最大值；判断所述前景概率的预测值的最大值是否大于设定阈值；若所述前景概率的预测值的最大值大于设定阈值，则根据所述前景概率的预测值的最大值对应的数据点的位置、左偏移量的预测值和右偏移量的预测值，确定所述当前目标框的目标检测结果；若所述前景概率的最大值小于设定阈值，则处理下一个目标框。5.一种一维数据目标检测方法，其特征在于，包括：将待检测一维数据输入到标签预测网络模型中，输出每个目标框的每个数据点对应的标签预测结果；对所述每个目标框的每个数据点对应的标签预测结果进行解码，确定每个目标框的目标检测结果，所述目标检测结果包括所述目标框的起点和终点的预测值；所述标签预测网络模型为根据权利要求1
‑
4中任一权利要求所述的标签预测网络模型
...
【专利技术属性】
技术研发人员：卜起荣，刘宇飞，胡景钊，吕朝昕，张丽丽，
申请(专利权)人：西北大学，
类型：发明
国别省市：
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。