CN114758195B 一种可持续学习的人体运动预测方法 （西安交通大学）_第1页
CN114758195B 一种可持续学习的人体运动预测方法 （西安交通大学）_第2页
CN114758195B 一种可持续学习的人体运动预测方法 （西安交通大学）_第3页
CN114758195B 一种可持续学习的人体运动预测方法 （西安交通大学）_第4页
CN114758195B 一种可持续学习的人体运动预测方法 （西安交通大学）_第5页
已阅读5页，还剩8页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明公开了一种可持续学习的人体运动贝叶斯神经网络对观察到的人类运动的各种不新模块基于知识蒸馏算法使得算法具有持续学2策略权重采样器分别计算当前神经网络模型对一个内部维护的数据库和新收集数据在参数更新阶段再从打包的数据随机选择一部分数据去随机替换内部维护的数据库3的预先收集数据集进行训练，一方面已有方法无法利用与人类的交互数据提升模型精度；预计最多有15k个时间步的数据。再以(1)中所述的50+25为窗口滑动即可得到大量的样本数据)将这期间收集到的数据发给策略采样器。策略权重采样器分别计算当前神经网络模模型对该样本的熟悉程度)确定样本的采样权重。认知不确定性也可理解为模型对同一输[0008]接下来，本发明按照给定的采样权重采样样本来进行常具体的网络构成在下一段详细描述。参数更新阶段采用了常用的梯度下降法(本发明使用4型基于序列到序列的循环神经网络框架。编码器单元首先对输入部分进行时序差分操作，然后把原始数据、一阶差分和二阶差分组合起来(concat)作为循环神经网络GRU的输入，间步的人体关键点位置。编码器的时间步数与输入数据长度有关，本发明使用的是2s*25fps共计50个时间步，解码器的时间步数与期望预测的时间长度有关，本发明使用的是其被称作蒙特卡洛Dropout，本发明利用了贝叶斯神经网络技术将其改造为权重服从某一不同时间步使用了相同的遮罩/掩码来进行丢弃(Dro[0014]本发明提出了一种可持续学习的概率人类运动预测方法。(1)本发明具有不确定机初始化参数安全地部署到在线场景中。本发明相比之前的方法使得人机交互更加安全。5定性预测，而且还具有不断适应新的人类运动模式的能力。(2)本发明通过在已有数据集Human3.6m和真实环境中在持续学习设置下进行了实验，结果表明我们的方法比其他基线[0017]图3是本发明与相关方法完成持续学习之后的预测误差与遗忘情况对比，其中均Tpp[0022]贝叶斯序列-序列神经网络主要由一个编码器和一个解码器，辅以Dropout层组p重复进行Tf次解码后，就得到了预测的人体运动序列的分布由于贝叶斯神经网络每入的人体姿态的位置速度和加速度进行残差连接之后得到预测的人体姿态6中SaWe算法是通过计算模型对样本的认知不确定性后的归一化数据作为该样本的采样权[0025]在贝叶斯序列-序列神经网络参数更新阶段(UpdateParameter)，算法首先保存计算得到蒸馏损失cas,利用θ计算得到预测损失creg.蒸馏损失衡量了模型在学习Xs时遗忘[0028]图3是本发明与相关方法完成持续学习之后的预测误差与遗忘情况对比，其中均相比较其他相关持续学习方法，本发明的方法在人体运动预测任务中具

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论