融合退火方式的视频分类模型课程学习训练方法技术

本发明专利技术公开了融合退火方式的视频分类模型课程学习训练方法，步骤是：1)从Kinetics400数据集中提帧，获取描述视频的帧图像；2)使用SimpleVQA视频质量评估算法，进行评估；3)使用Fast VQA视频质量评估算法，进行评估；4)将得到的视频质量评估分数进行加权综合，按照“退火”组织方法，进行数据子集划分；5)修改Video Swin Transformer模型的训练调度方法，当模型收敛后训练方法开启下一难度阶段训练子集的调度，直至完成全部的Kinetics400数据集。本发明专利技术属于计算机视频分类技术领域，在处理高难度动作视频时，识别精度高且易于重用。

【技术实现步骤摘要】

本专利技术属于计算机视频分类，涉及融合退火方式的视频分类模型课程学习训练方法。

技术介绍

1、随着互联网、多媒体技术的蓬勃发展，每天都会有海量的视频被记录分享，人体动作作为表征视频内容的重要特征，对人体动作进行分析与识别成为视频理解的关键与难点问题。当前的数据集尽量涵盖了各种动作，但与真实世界中行为仍然存在巨大差距，现有数据集内收集的行人行为大多是由工作人员表演和模拟产生的，即使是从真实世界中提取的样本集，也无法完全解决动作的多义性、不确定性等特点带来的精度下降。

2、传统的机器学习算法中，所有的训练样本都是随机呈现给模型的，忽略了数据样本的各种复杂性和当前模型的学习状态。现有的视频动作识别方法主要集中于对模型修改，通过设计巧妙的模型来提升对人体行为的识别精度，忽视了数据集的质量与训练方法的修改对于挖掘模型潜力的重要性。

3、因此，亟需研制一种新的训练方法，在现有数据集的场景下，缩小模拟数据和真实事件之间的鸿沟，更好地适应实际极端场景中的动作识别。

技术实现思路

1、本专利技术的目的是本文档来自技高网...

【技术保护点】

1.融合退火方式的视频分类模型课程学习训练方法，其特征在于，按照以下步骤实施：

2.根据权利要求1所述的融合退火方式的视频分类模型课程学习训练方法，其特征在于，步骤1中，具体过程是，

3.根据权利要求1所述的融合退火方式的视频分类模型课程学习训练方法，其特征在于，步骤2中，具体过程是，

4.根据权利要求1所述的融合退火方式的视频分类模型课程学习训练方法，其特征在于，步骤3中，具体过程是，

5.根据权利要求1所述的融合退火方式的视频分类模型课程学习训练方法，其特征在于，步骤4中，具体过程是，

6.根据权利要求1所述的融合退火方式的...

【技术特征摘要】

1.融合退火方式的视频分类模型课程学习训练方法，其特征在于，按照以下步骤实施：

2.根据权利要求1所述的融合退火方式的视频分类模型课程学习训练方法，其特征在于，步骤1中，具体过程是，

3.根据权利要求1所述的融合退火方式的视频分类模型课程学习训练方法，其特征在于，步骤2中，具体过程是，

4.根...

【专利技术属性】
技术研发人员：王志晓，张伏珩，马悦，闫文耀，张高峰，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：