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！

龙图腾网获悉合肥学院申请的专利一种基于一致性半监督深度学习的人体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：CN115188022B 。

龙图腾网通过国家知识产权局官网在2025-08-12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：202210762539.5，技术领域涉及：G06V40/10；该发明授权一种基于一致性半监督深度学习的人体行为识别方法是由唐超;童安炀设计研发完成，并于2022-06-30向国家知识产权局提交的专利申请。

本一种基于一致性半监督深度学习的人体行为识别方法在说明书摘要公布了：本发明公开了一种基于一致性半监督深度学习的人体行为识别方法，涉及计算机视觉领域；包括：获取有标签的视频集X以及无标记视频集U，建立训练数据样本集；对训练数据样本集，进行视频数据增强处理；搭建改进的3D‑Resnet18网络，构建损失函数，基于损失函数，利用训练数据样本集对改进的3D‑Resnet18网络进行训练，利用优化好的改进的3D‑Resnet18网络识别视频中的人体行为；本发明利用这种人体行为识别方法解决现有人体行为识别方法缺乏有效的数据增强方法而发展相对缓慢的问题；以及现有人体行为识别方法没有探索视频中动作在时序上的关联性，导致训练出的模型鲁棒性不高的问题。

本发明授权一种基于一致性半监督深度学习的人体行为识别方法在权利要求书中公布了：1.一种基于一致性半监督深度学习的人体行为识别方法，其特征在于，包括以下步骤： 1获取有标签的视频集X以及无标记视频集U，分别从X、U中获取小批量的频集X'、U'作为训练数据样本集； 2对训练数据样本集进行视频数据增强处理，包括视频数据空间增强和视频数据时序增强； 3搭建改进3D-Resnet18网络，改进3D-Resnet18网络包括17层卷积层和一层全连接层； 4构建损失函数L1＝Ls；其中，损失函数Ls为监督信号，用于计算真实标签和预测概率之间的交叉熵损失； 5加载初始化网络参数的改进3D-Resnet18网络，基于损失函数Ls，利用训练数据样本集X'对网络进行训练，计算Ls的损失值，即损失函数L1的损失值，第一次的损失值作为初始损失值，将当前的损失值与上一次的损失值做比较，如果当前损失值小于上一次的损失值，使用随机梯度下降算法更新网络参数，重复优化过程，直到损失值不再下降时，网络达到了当前迭代下的拟合，得到优化好的改进3D-Resnet18网络； 6构建损失函数L2＝Ls+λdLd；其中，损失函数Ld为时序信号，用于计算视频数据时序增强后动作预测之间的詹森香浓熵散度；λd为时序信号Ld的权重； 7加载步骤5中优化好的改进3D-Resnet18网络； 基于损失函数Ls，利用训练数据样本集X'对改进的3D-Resnet18网络进行训练，计算Ls的损失值； 基于损失函数Ld，利用训练数据样本集X'，U'对改进3D-Resnet18网络进行训练，计算Ld的损失值； 根据步骤6中构建的损失函数，计算L2的损失值，将L2第一次的损失值作为初始损失值，将当前L2损失值与上一次L2损失值做比较，如果当前L2损失值小于上一次L2损失值，使用随机梯度下降算法更新网络参数，直到L2损失值不再下降时，模型达到了当前迭代下的拟合，得到优化好的改进的3D-Resnet18网络； 8构建损失函数L＝Ls+λuLu+λdLd，其中，Lu为伪监督信号，用于计算未标记样本的视频数据空间增强预测类别和视频数据时序增强预测概率之间的交叉熵损失，λu为伪监督信号Lu的权重； 9加载步骤7中优化好的改进3D-Resnet18网络； 基于损失函数Ls，利用训练数据样本集X'改进3D-Resnet18网络进行训练，计算Ls的损失值； 基于损失函数Lu，利用训练数据样本集U'对改进3D-Resnet18网络进行训练，计算Lu的损失值； 基于损失函数Ld，利用训练数据样本集X'，U'对改进3D-Resnet18网络进行训练，计算Ld的损失值； 根据步骤8中构建的损失函数，计算L3的损失值，将L3第一次损失值作为初始损失值，将当前L3的损失值与上一次L3的损失值做比较，如果当前L3的损失值小于上一次L3的损失值，使用随机梯度下降算法更新网络参数，直到L3的损失值不再下降时，网络达到了当前迭代下的拟合，得到优化好的改进的3D-Resnet18网络； 10加载步骤9中优化好的改进3D-Resnet18网络对需要进行行为识别的视频进行人体行为识别。

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合肥学院，其通讯地址为：230601 安徽省合肥市经济技术开发区锦绣大道99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”。