CN119415838A 一种运动数据优化方法、计算机设备以及存储介质 (山东科技大学)_第1页
CN119415838A 一种运动数据优化方法、计算机设备以及存储介质 (山东科技大学)_第2页
CN119415838A 一种运动数据优化方法、计算机设备以及存储介质 (山东科技大学)_第3页
CN119415838A 一种运动数据优化方法、计算机设备以及存储介质 (山东科技大学)_第4页
CN119415838A 一种运动数据优化方法、计算机设备以及存储介质 (山东科技大学)_第5页
已阅读5页,还剩42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

了运动数据在经过卷积自编码器后运动数据平2所述平滑优化模块使用改进的堆叠自编码器对运动数据进运动数据在经过一个双向循环自编码后将优化后的运动数据再次输入到下一个双向其中每个双向循环自编码器的编码器与解码器之间均引入将平滑优化结果输入到改进的卷积自编码器进行位置误差优化其中在卷积自编码器的编码器与解码器之间引入时间注意力矩阵优化模块采用基于有限差分的平滑算法,构造一个差分矩所述双向循环自编码器包括编码器、时间注意力机制以及解码器;双向长短时记忆单元用于处理具有时间序列特征时间注意力机制使模型更加关注序列中的某些时间点双向循环自编码器的编码器,首先将含有噪声的人体骨骼运动数据映射到隐变量空时间注意力机制在隐变量空间的基础上,为双向循双向循环自编码器的解码器,则将隐变量映射回运动数据空间得到优化后的运动数定义运动数据序列x={x,xz,…,xn},计算当前时间步与所有其他时间步之间的相关;3使用softmax函数对手部运动特征之间的得分进行归一化处理,得到归一化后的注意;将归一化后的注意力权重应用于手部运动特征,进行加权求和示ct;;定义双向循环自编码器的编码器中三个全连接层和一个双向长双向循环自编码器的输入层的样本大小为3480×73,表示每个输入样本包第一双向长短时记忆单元输入的样本大小为16×240×512,表时间注意力机制在隐变量空间的基础上,为双向循定义双向循环自编码器的解码器中三个全连接层和一个双向长第二双向长短时记忆单元输入的样本大小为16×240×512;表双向循环自编码器的输出层的样本大小为3480×73,表示每个输入样本包池化层用于在相邻帧间取最大值,以保证时域的4在卷积自编码器的编码器与解码器之间引入时间注意力机制;;时间注意力机制在隐变量空间的基础上,为卷积解码器DC中卷积层以及反池化层分别有五其中,反池化层UnPool1的输入大小为16×15×5×512,卷积层Co5在一次前向或后向传播过程中处理的数据样本数量;bX;在输入序列的结束处添加两个数据点,这两个数据点与输入序列的定义输入序列Y是一个BXSXN的三维张量,在其时间维度上添加额外的数据点;设YO是一个BX1XN的矩阵,表示每个批次第一个时间步的数据;设;。步骤1.3.获取运动数据的脚部接触信息以及对脚部高度进行调整;步骤1.4.获取关节速度以及旋转速度;69.一种计算机设备,包括存储器和一个或多个78步骤3.利用步骤1构建的训练数据集,对步骤2搭建的运动数据优化模型进行训9[0031]第一个关节点相当于绕Z轴旋转了α角度,从世界坐标到此的变化写成齐次矩阵。[0050]运动数据在经过一个双向循环自编码后将优化后的运动数据再次输入到下一个处理运动数据时更加聚焦于手部数据序列中的运动细节,以提升手语运动优化时的平滑[0070]定义运动数据序列x={x1,xz,…,xn},计算当前时间步与所有其他时间步之间的[0072]其次计算归一化得分;使用softmax函数对手部运动特征之间的得分进行归一化[0091]首个输入双向循环自编码器的输入为噪声数据xs,=xw,i=1,2,3..为双向循环器与解码器之间引入注意力机制,帮助卷积自编码器更好地捕捉和利用编码后的特征表[0102]解码器DC由反池化层和卷积层组成,反池化层用于将隐变量的值均匀分布在两;;的输入大小为16×60×19×128,池化层Pool3的输入大小为16×30×10×128,卷积层[0107]解码器DC中卷积层以及反池化层分别有五个,五个卷积层分别定义为Conv6、Conv7、Conv8、Conv9、Conv10,五个反池化层分别定义为UnPool1、UnPool2、UnPool3、池化层UnPool1的输入大小为16×15×5×512,卷积层Conv6的输入大小为16×15×5×而解决运动数据在经过卷积自编码器后运动数据;。。[0122]步骤3.利用步骤1构建的训练数据集[0125]在训练过程中对堆叠自编码器中每个双向循环自编码器的输出施加均方误差约[0128]在关节点位置估计的任务中,常用的损失函数主要为均方误差(MeanSquaredError,MSE在关节点位置估计中,MSE通过计算预测关节点位置与实际关节点位置之间[0129]本发明的运动数据均为3维关节坐标显示,在训练过程中使用均方误差约束可以。。。数据R在首尾帧分别重复第一帧和最后一帧得。。l测试结果如表4所示,本发明在位置误差以及平滑误差两个指标下,比较了不同的模型性[0155]其中CAE方法仅包含单个卷积自编码器结构;CAE_P方法是在CAE方法的基础上增时施加隐变量约束;BC方法包含BRA和CAE结构;BCP方法是在BC方法的基础上增加感知约[0160]本实施例2述及了一种计算机设备,该计算机设备包括存储器和一个或多个处理[0164]该计算机可读存储介质可以是任意具备数据处理能力的设备或装置的内部存储

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。

评论

0/150

提交评论