【技术实现步骤摘要】
本专利技术属于动作识别领域和长尾学习领域，具体设计一种基于夏普利值(shapleyvalue)引导数据混合的长尾骨架动作识别方法。
技术介绍
1、基于人体骨架的动作识别是指利用人体各个关节的三维坐标数据来推断和分类不同动作的技术。过去，研究主要集中在利用循环神经网络(rnn)和卷积神经网络(cnn)对骨架数据进行建模，将其视为时间序列或伪二维图像。然而，随着对人体结构拓扑关系的深入理解，基于图卷积神经网络(gcn)的方法开始受到关注，并取得了显著的性能提升。gcn能够有效地捕捉骨架数据中节点之间的关系，从而更好地理解动作的结构和上下文信息。近年来，基于transformer的模型也在动作识别领域展现出了潜力。transformer模型通过引入自注意力机制，能够捕捉骨架序列中的长期依赖关系，从而提高了动作识别的准确性和性能。
2、长尾学习是指在数据集中存在严重不平衡的情况下，使得模型学习到一个良好的表征空间，尤其是对与数量稀少的尾部类别。该场景下的困难点在于长尾分布下，模型往往倾向于更多地学习到出现频率高的类别，而对于出现频率...
【技术保护点】
1.一种基于夏普利值引导数据混合的长尾骨架动作识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，模型采用通道感知的卷积神经网络模型CTR-GCN。
3.如权利要求1所述的方法，其特征在于，显著性分数的计算式如下：
4.如权利要求1或3所述的方法，其特征在于，模型进行每轮迭代，随机挑选一个身体部位组合b并估计显著性分数然后以滑动指数平均的方式更新显著性估计列表中的显著性分数。
5.如权利要求1所述的方法，其特征在于，基于该显著性分数进行采样的步骤包括：
6.如权利要求1所述的方法，其...
【技术特征摘要】
1.一种基于夏普利值引导数据混合的长尾骨架动作识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，模型采用通道感知的卷积神经网络模型ctr-gcn。
3.如权利要求1所述的方法，其特征在于，显著性分数的计算式如下：
4.如权利要求1或3所述的方法，其特征在于，模型进行每轮迭代，随机挑选一个身体部位组合b并估计显著性分数然后以滑动指数平均的方式更...
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。