CN115359292B 基于特征自适应融合的立定跳远阶段分类方法 （陕西师范大学）

InformationEnhancemGrainedActionRecognitionUsing基于特征自适应融合的立定跳远阶段分类一种基于特征自适应融合的立定跳远阶段自适应融合方式改变输入模态以注重运动边界2在操场自然环境场景下采集学生立定跳远运动视频，将每一个0表示视频开始为{I12M}，相邻帧集中的f帧为将其输入运动增强模块得到运2.根据权利要求1所述的基于特征自适应融合的立定跳远阶段分类方法，其特征在于所述的(2)运动信息自适应融合步骤为：将视频输入序列V分为等长的M个视频段V为{S1，3S2I2将其输入运动增强模块得到运动信息每段所述的(2)运动信息自适应融合中的加性特征自适应融合其中，I为每f帧堆叠的第一帧集合RGB特征，ME为每f帧堆IIM由特征I与特征FIM通道维按列拼接得到，特征FMEIM由特征4X3=X1田FS5式把重要的特征进行强化以达到提升准确率60表示视频5表示大腿垂直地面到举腿膝最高点阶段，S6表示举腿膝最高点到脚后跟开始落地阶帧为将其输入运动增强模块得到[0021]损失函数L为负对数似然损失；使用随机梯度下降方法降低损失值来进行反向传[0024]本发明的(2)运动信息自适应融合步骤为：将视频输入序列V分为等长的M个视频将其输入运动增强模块得到运动信息每段7[0033]在本发明的(3)构建视频分类网络中，所述的双层池化时序注意力模块的构建方80表示视频开始帧为将其输入运动增强模块得到帧堆叠的第一帧为以加性特征自适应融合方式馈送到视9[0073]本实施例的双层池化时序注意力模块的构建方法为：该模块的输入特征为X0∈[0087]X3=X1田FS[0097]损失函数L为负对数似然损失；使用随机梯度下降方法降低损失值来进行反向传帧为将其输入运动增强模块得到[0117]本实施例的双层池化时序注意力模块的构建方法为：该模块的输入特征为X0∈帧为将其输入运动增强模块得到[0150]本实施例的双层池化时序注意力模块的构建方法为：该模块的输入特征为X0∈[0151]xr=con[0164]X3=X1田FS[0167]为验证本发明的有益效果，发明人采用本发明实施例1基于特征自适应融合的立定跳远阶段分类方法(简称实施例1)与“WangL,XiongY,WangZ,etal.Temporalsegmentnetworksforactionrecognitioninvideos[J].IEEEtransactionson验1)、“LinJ,GanC,HanS.Tsm:Temporalshiftmoduleforefficientvideounderstanding[C]ProceedingsoftheIEEEInternationalConferenceonComputeradaptivemoduleforvideorecognition[C]ProceedingsoftheIEEEInternationalShiJ,etal.Temporalpyramidnetworkforactionrecognition[C]ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2020:591_reasoninginvideos.InProceedingsoftheEuropeanconfe