CN117218709B 基于时间可变形注意力机制的居家老人实时状态监测方法 （福州大学）_第1页
CN117218709B 基于时间可变形注意力机制的居家老人实时状态监测方法 （福州大学）_第2页
CN117218709B 基于时间可变形注意力机制的居家老人实时状态监测方法 （福州大学）_第3页
CN117218709B 基于时间可变形注意力机制的居家老人实时状态监测方法 （福州大学）_第4页
CN117218709B 基于时间可变形注意力机制的居家老人实时状态监测方法 （福州大学）_第5页
已阅读5页，还剩28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

WO2023185243A1,2023.10.05基于时间可变形注意力机制的居家老人实本发明涉及一种基于时间可变形注意力机2步骤S4：按照指定训练参数进行迭代训练，通过优步骤S11：使用yolov7_pose进行目标检测，将低层特征kXHXW，Ti为时间长度；3qq的某一帧；输入为xeR2SXC,第m个TDA模块头的输出为由从X采样的点的关注程度；Δtmqk∈[0,1]为相对于tq的采样偏移量；X((tq+Δtmqk)Ts)表示在(tq+Δ)在计算输出序列中的第t9帧时，查询点和参考点都是输入序列中4ri)5j个空间注意单元的输出为：a}ws代表网络参数，同时假设H={H,…,HK,}为通道注意头，为a}步骤S34：第三部分使用注意融合网络；注意融合网络通过应用l放注意力特征向量；因为在第二部分多头注意网络中步骤S41：对于动作识别模型，我们直接使用交叉熵损失和梯度下降法对模型进行优67[0005]利用深度神经网络和计算机视觉技术，可以大大提高动作识别和表情识别的效8特征序列中的特征都是从视频每一帧提取的特征向量，接下来将对每一帧进行特征增强，视频的某一帧；输入为第m个TDA模块头的输出为由从X采q+Δtmqk)TS处的线性插值特征；接着通过线性投影从9)[0033]步骤S23：解码层使用自注意力机制与时间可变形注意力(TDA)结合，将前者TDAq[0052]H={H,…,HX,}表示Ka个空间注意头，表示Ka个空间注意j个空间注意单元的输出为：a}Ka}A={a,…,ax},特征缩放结果为：2[0069]步骤S43：基于表情识别的实时情绪打分系统，我们使用表情识别模型结合摄像11223344用时间可变形注意力机制与3D卷积对视频中的姿态进行动作识别，相比于RGB模式下的识[0088]如图1所示，本实施例提供了一种基于时间可变形注意力机制的居家老人实时状特征序列中的特征都是从视频每一帧提取的特征向量，接下来将对每一帧进行特征增强，qq视频的某一帧。输入为xeR2XO,第m个TDA模块头的输出为由从X采+Δtmqk)TS处的线性插值特征。接着通过线性投影从)[0114]步骤S23：解码层使用自注意力机制与时间可变形注意力(TDA)结合，将前者TDAq的使用参数有所不同，这里卷积核的维度表示为TXS:,ce,分[0133]H={H,…,HX,}表示Ka个空间注意头，表示Ka个空间注意j个空间注意单元的输出为：a}Ka}来缩放注意力特征向量。因为在第二部分多头注意网络中，输出了注意力向量特征A={a,…,ax,},特征缩放结果为：[0150]步骤S43：基于表情识别的实时情绪打分系统，我们使用表情识别模型结合摄像1122

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