买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于新类特征空间来缓解旧类遗忘的行为识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117292294B 。

龙图腾网通过国家知识产权局官网在2025-06-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311241281.5，技术领域涉及：G06V20/40；该发明授权一种基于新类特征空间来缓解旧类遗忘的行为识别方法是由矫健;李宏亮;龚传阳;郝昕鹏;唐世渊;邱荷茜;王岚晓;许林峰设计研发完成，并于2023-09-25向国家知识产权局提交的专利申请。

本一种基于新类特征空间来缓解旧类遗忘的行为识别方法在说明书摘要公布了：该发明公开了一种基于新类特征空间来缓解旧类遗忘的行为识别方法，属于深度学习、行为识别、类增量持续学习领域。首先通过关键帧提取算法和预处理插帧算法构建的记忆集，高效实现了记忆集尺寸和重演样本数量的平衡，在消耗和其他方法相同的存储空间下，本发明能在记忆集中存放更多的重演样本，从而有效缓解类增量持续学习中对旧类的灾难性遗忘。其次，本发明在新阶段反向更新模型时，随机冻结对旧类敏感的神经元，同时提前跳出训练，有效阻止了模型过度丢失旧类特征的倾向。通过轻微移动模型对新类的特征空间，保留更多的旧类特征分布，虽然本发明略微牺牲了模型对新类的识别性能，但是大幅度提升了模型对旧类的识别性能。

本发明授权一种基于新类特征空间来缓解旧类遗忘的行为识别方法在权利要求书中公布了：1.一种基于新类特征空间来缓解旧类遗忘的行为识别方法，该方法包括：步骤1：对视频进行帧图像归一化、帧图像等比例缩放处理；初始化记忆集，将训练样本视频进行关键帧提取后，与其对应的行为标签一起存入记忆集；步骤2：对视频截取，截取长度为特征提取网络的输入长度；步骤3：采用行为训练好的行为识别模型对步骤2截取的视频进行行为识别；所述行为识别模型包括：特征提取模块和行为识别模块，所述特征提取模块为深度残差卷积神经网络；步骤4：当加入新的待识别行为时，在原有的训练好的识别模型ΦK-1基础上进一步训练得到新的识别模型ΦK；训练的样本数据为原训练样本数据和新的行为样本数据，训练的损失函数Loss为：Loss＝aLoss1+βLoss2+γLoss3其中，α、β、γ为权重参数， Loss1表示识别模型ΦT的预测结果与真实标签的交叉熵损失，Y表示类别数量，qyx为一个二值符号函数，当预测标签x与真实标签y相同时，qyx值为1，否则值为0；pyx表示识别模型ΦT预测标签x为真实标签y的置信度，Loss2表示在重要性矩阵Im的约束下，识别模型ΦK-1与识别模型ΦK对应神经元权重差值的二范数之和；L表示识别模型ΦK的神经网络层数，T表示ΦK输入帧序列的时间长度，C表示ΦT的输入帧序列的单帧通道数；为重要性矩阵，表示模型ΦK在神经网络第l层，时间尺寸为t，通道尺寸为c处的神经元对识别旧类动作的重要性；表示输入帧序列在ΦK第l层，时间尺寸为t，通道尺寸为c处的神经元权重，同理，表示输入帧序列在ΦK-1第l层，时间尺寸为t，通道尺寸为c处的神经元权重；Loss3表示ΦK输入帧序列的帧间正交损失；表示将在时间尺度上进行拼接，I为只有对角线值为1的单位矩阵；步骤5：完成步骤4的训练后，使用训练好的模型ΦK计算新行为所有视频的全连接特征矩阵的平均值lfinal代表模型ΦK的最后一层；取出与最接近的几段视频，提取这些视频的关键帧，将关键帧及其对应的行为标签存入记忆集；步骤6：对识别模型ΦT进行微调；根据重要性矩阵ImK确定出前m个最重要的神经元，冻结这m个最重要的神经元的参数，对其余神经元的参数进行了训练，输入数据为记忆集，输出为行为标签，损失函数为： 步骤7：采用步骤6训练好的识别模型ΦK对新视频进行行为识别。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。