一种基于新类特征空间来缓解旧类遗忘的行为识别方法技术

该发明专利技术公开了一种基于新类特征空间来缓解旧类遗忘的行为识别方法，属于深度学习

【技术实现步骤摘要】
一种基于新类特征空间来缓解旧类遗忘的行为识别方法


[0001]本专利技术属于深度学习
(Deep Learning)、
行为识别
(Action Recognition)、
类增量持续学习
(Class
‑
Incremental Learning)
领域，设计了一种通过轻微移动新类特征空间来缓解旧类遗忘的类增量行为识别算法
。

技术介绍

[0002]行为识别算法近年来得到了广泛的研究，目的在根据一段行为视频判断人物的动作
。
传统的行为识别算法通常仅用一个阶段完成对模型的训练，该阶段将给出所有类别的训练样本
。
然而，在许多现实应用场景中，由于技术限制或者实际需求，模型的训练往往存在多个阶段，不同类别的训练样本将在多个阶段依次出现
。
在这个过程中，模型学习完一个阶段的任务后，接着学习下一个阶段的任务，不使用或使用极少量上一阶段的样本数据，但是在测试阶段却会使用所有类别进行测试
。
类增量持续学习算法的目标是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于新类特征空间来缓解旧类遗忘的行为识别方法，该方法包括：步骤1：对视频进行帧图像归一化
、
帧图像等比例缩放处理；初始化记忆集，将训练样本视频进行关键帧提取后，与其对应的行为标签一起存入记忆集；步骤2：对视频截取，截取长度为特征提取网络的输入长度；步骤3：采用行为训练好的行为识别模型对步骤2截取的视频进行行为识别；所述行为识别模型包括：特征提取模块和行为识别模块，所述特征提取模块为深度残差卷积神经网络；步骤4：当加入新的待识别行为时，在原有的训练好的识别模型
Φ
K
‑1基础上进一步训练得到新的识别模型
Φ
K
；训练的样本数据为原训练样本数据和新的行为样本数据，训练的损失函数
Loss
为：
Loss
＝
aLoss1+
β
Loss2+
γ
Loss3其中，
α
、
β
、
γ
为权重参数，为权重参数，为权重参数，
Loss1表示识别模型
Φ
T
的预测结果与真实标签的交叉熵损失，
Y
表示类别数量，
q
y
(x)
为一个二值符号函数，当预测标签
x
与真实标签
y
相同时，
q
y
(x)
值为1，否则值为0；
p
y
(x)
表示识别模型
Φ
T
预测标签
x
为真实标签
y
的置信度，
Loss2表示在重要性矩阵
Im
的约束下，识别模型
Φ
K
‑1与识别模型
Φ
K
对应神经元权重差值的二范数之和；
L
表示识别模型
Φ
K
的神经网络层数，
T
表示
Φ
K
输入帧序列的时间长度，
C
表示
Φ
T
的输入帧序列的单帧通道数；为重要性矩阵，表示模型
Φ
K
在神经网络第
l
层，时间尺寸为
t
，通道尺寸为
c
处的神经元对识别旧类动作的重要性；表示输入帧序列在
Φ
K
第

【专利技术属性】
技术研发人员：矫健，李宏亮，龚传阳，郝昕鹏，唐世渊，邱荷茜，王岚晓，许林峰，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：