【技术实现步骤摘要】
一种面向动作识别的基于拓扑数据分析的联邦增量方法
[0001]本专利技术属于类别增量学习算法领域,涉及一种面向动作识别的基于拓扑数据分析的联邦增量方法
。
技术介绍
[0002]随着
VR\AR
的流行,在家健身已经逐渐成为多数人的趋势,但在健身的过程中很容易出现一些错误行为,比如,不准确的发力姿势,错误的站姿
。
这些错误仅靠用户自身来进行纠正是比较困难的,而这种潜在的错误健身姿势很有可能会影响训练的效果,甚至会对人体肌肉造成一定的拉伤,需要针对性的提供指导,这就在算法上需要实现不断增加分类种类的增量学习
。
[0003]在传统普通机器学习的过程中,分类是预先固定好的,每次有新的目标类增加(例如增加一个弯腰的动作识别类)的话,就需要全部重新计算,这对分布式系统而言,无论是通信还是在服务器计算上,负担很重
。
所以,类增量学习的发展得到了广泛的关注,类增量学习旨在于保证模型能够不断更新来学习新类别的同时,又不会出现对于已学习类别的“灾难性遗忘”,避免了不必要的全部重新计算工作
。
[0004]所有机器学习的前提是需要有一定数量的数据,但是对基于
VR\AR
产品提供健身的服务公司而言,这种错误的动作因人而异,是一种典型的个性化服务,数据量稀少,难以进行归纳式分析
。
因此,为了提高同类任务的数据量,需要在客户间共享类似的数据;且根据任务不断增加新的分类,从而提高相同分类的对应服务,由此这一问题存在以 ...
【技术保护点】
【技术特征摘要】
1.
一种面向动作识别的基于拓扑数据分析的联邦增量方法,其特征在于,包括如下步骤:步骤1,在服务器端,构建标准健身动作视频数据集,计算标准健身动作视频数据的
Bottleneck
拓扑变化曲线
Bo
,输入到健身动作识别模型,对健身动作识别模型进行训练;步骤2,服务器端将训练好的健身动作识别模型分发给各个客户端;步骤3,客户端采集用户健身动作视频数据,计算用户健身动作视频的
Bottleneck
拓扑变化曲线
Bo
,输入到所述训练好的健身动作识别模型,用于在客户端识别用户的健身动作类型;步骤4,当客户端识别到用户不标准的健身动作时,将所述不标准的健身动作做为该标准动作的新类,客户端根据用户指令,判断是或否提交所述新类给服务器端进行类型增量;步骤5,服务器判断是否有两个或两个以上来自客户端的对同一标准健身动作类型进行类型增量的任务,如果是,进入步骤6;步骤6,服务器端采用收到的来自客户端的不标准的健身动作视频的
Bottleneck
拓扑变化曲线
Bo
,对健身动作识别模型进行训练,利用联邦增量学习算法,更新健身动作识别模型,并将重新训练好的健身动作识别模型分发给客户端
。2.
根据权利要求1所述一种面向动作识别的基于拓扑数据分析的联邦增量方法,其特征在于,计算健身动作视频数据的
Bottleneck
拓扑变化曲线
Bo
,具体方法如下 :步骤
1.1
,采用帧差法,提取运动部分的视频,并转为灰度图步骤
1.2
,将灰度图像特征转化为拓补结构,采用拓扑数据分析算法
TDA
对所述灰度图进行建模,获取单帧图像的图像拓扑特征;步骤
1.3
,利用持久同源性生成持久性图,具体为,采用
Betti
曲线描绘出持久性图中不同维度的特征的生命周期,然后,运用持久性景观将持久性信息展示在二维平面上,从而得出完整且清晰的拓扑特征;步骤
1.4
,将前后帧图像持久性景观的特征进行比较,得到一个
Bottleneck
的值,然后把所有视频帧的
Bottleneck
值为
Y
,视频帧的帧序列号作为
X
,从而得到一个视频的
Bottleneck
曲线
Bo
;其中
Bottleneck
值的计算方法如下:
ꢀꢀꢀ
(7)其中,分别表示同调类开始时间和持续时间;
A
和
B
分别表示两个不同拓扑空间的点集
。3.
根据权利要求2所述一种面向动作识别的基于拓扑数据分析的联邦增量方法,其特征在于,步骤
1.2
中采用的所述拓补结构为复形,具体为立方体复形
。4.
根据权利要求2所述一种面向动作识别的基于拓扑数据分析的联邦增量方法,其特征在于,步骤
1.2
还包括对立方体复形进行过滤,具体采用密度过滤方法,密度过滤函数定义为:
ꢀꢀꢀ
(4)其中,表示为立方体复形中的任意一点,为图像中的像素,等价于阈值;即以维图像中的每个像素为中心,以...
【专利技术属性】
技术研发人员:陈森霖,袁博,沈玉龙,胡凯,
申请(专利权)人:南京栢拓视觉科技有限公司,
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。