CN119495125A 一种联合式体育动作检测方法 （华侨大学）

本发明提供了一种联合式体育动作检测方建立分组式特征提取主干网络和多尺度时序特2述颈部网络由时序多尺度衰减网络和时序特征金字将所述特征反馈结果传输至分类检测头和回归检测头中，以检测将所述骨架特征张量X输入至分组时序特征提取主干网中，使用所述分组时序特征提取主干网的N个分组式GCN块对所述骨架特征张量X进行预处理，得到分组时序特征提取结征提取主干网的N个分组式GCN块对所述骨架特征张量X进行预处理，得到分组时序特征提将建模后的所有特征组在通道维度上进行串联，并将串联后的特征组进行1x1卷积数矩阵PAi包括与特征通道无关的动态参数DAi和针对特征通道的针对K个所述特征组的输入特征，使用时间池化层消除所述特征组的输入特征的时间其中，与特征通道无关的动态参数DAi是通过对卷积结果Xa和Xb进行乘积，再进行Softmax激活函数激活处理得到的，针对特征通道的动态参数CAi是通过对卷积结果Xa和Xb将初始系数矩阵PAi、与特征通道无关的动态参数DAi和针对特征通道的3对所述关节级骨架特征和所述联合级骨架特征进行拼接，并进行采样个分组后的特征组进行时间建模，动态融合所述联合级骨架特征与其对应的可学习参数;使用所述时序多尺度衰减网络对所述分组时序特征提取结果中的特征进行下采样操将融合分支特征输入至时序特征金字塔中，将高级层次的特征进行时间维度插值处7.根据权利要求6所述的联合式体育动作检测方法对所述分组时序特征提取结果中的姿态特征进行关节V通道上的平均池对时序信息特征f,在时间维度上进行平均池化处理，并将处理后的特征依次输入至全8.根据权利要求7所述的联合式体育动作检测方法，其,4基于所述特征反馈结果，使用分类检测头的三层1D卷积对所述时有L层的每个时刻t的特征进行检测处理，并使用ReLU激活函数预测每个时刻t对应的动作基于所述特征反馈结果，使用回归检测头的1D卷积对所述时序特征金字塔上的所有L损失函数为焦点损失，所述回归检测头的损失函数为回归损失，总体损失函数的公式为：,,其中，T1为输入序5视频前top_k个最可能的动作类别的策略，这在细粒度体育动作检测中难以准确分类子动6将所述骨架特征张量X输入至分组时序特征提取主干网中，使用所述分组时序特征提取主干网的N个分组式GCN块对所述骨架特征张量X进行预处理，得到分组时序特征提将建模后的所有特征组在通道维度上进行串联，并将串联后的特征组进行1x1始系数矩阵PAi包括与特征通道无关的动态参数DAi和针对特征通道针对K个所述特征组的输入特征，使用时间池化层消除所述特征组的输入特征的7Softmax激活函数激活处理得到的，针对特征通道的动态参数CAi是通过对卷积结果Xa和Xb将初始系数矩阵PAi、与特征通道无关的动态参数DAi和针对特征通道的动态参数对所述关节级骨架特征和所述联合级骨架特征进行拼接，并进行采样分组处理，骨架序列，这些序列包含了每个关节的2D位置坐标和置信分数，形成了骨架特征张量8后续的动作分类和边界定位提供了丰富的特果中的特征进行下采样操作，并将操作后的数据输入语境感知层TCA中，得到融合分支特对所述分组时序特征提取结果中的姿态特征进行关节V通道上的平基于时序信息特征f,，在所述时序多尺度衰减网络的每一层中进行下采样操作，[0022]优选地，所述语境感知层TCA的第二分支在在时序上卷积解析动作细节，并经过,9[0024]先使用时序多尺度衰减网络对分组时序特征提取结果中的特征进行下采样操[0025]在语境感知层TCA的第一分支中，对姿态特征进行关节V[0026]在语境感知层TCA的第二分支中，采用两个独立的一维卷积对时序信息特征进行分析提供了一种新的技术方案。[0035]简单来说，所述联合式体育动作检测方法旨在提升体育运动中子