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！

龙图腾网获悉浙江工商大学申请的专利一种基于层级多视角的自监督动作识别方法及装置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：CN115147676B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202210724589.4，技术领域涉及：G06V10/774；该发明授权一种基于层级多视角的自监督动作识别方法及装置是由董建锋;孙圣凯;陈书界;王勋;刘宝龙;蔡佳航;杨文武设计研发完成，并于2022-06-23向国家知识产权局提交的专利申请。

本一种基于层级多视角的自监督动作识别方法及装置在说明书摘要公布了：本发明公开了一种基于层级多视角的自监督动作识别方法及装置，该方法包括：先是对比学习的预训练阶段，原始数据通过数据增强和重组分别通过key编码器和query编码器提取特征构造正负样本。特征提取时通过视角生成模块得到不同尺度的子视角，分别通过Transformer编码、聚合、拼接后得到时间特征、空间特征以及两者的组合：时空特征。时空特征通过对比损失达到拉近正样本、推远负样本的目标以获取特征表示能力。通过时间特征和空间特征间的一致性损失拉近不同视角间的特征距离。本发明是骨架动作识别领域一种新颖的层级化视角的建模方法，可以深入挖掘不同视角间的互补信息，能够实现比现有方法性能更好的骨架动作识别。

本发明授权一种基于层级多视角的自监督动作识别方法及装置在权利要求书中公布了：1.一种基于层级多视角的自监督动作识别方法，其特征在于，包括以下步骤： S1，对原始的无标签的骨架序列进行预处理，得到视角归一化骨架序列； S2，将视角归一化骨架序列经过两个随机的同族数据增强，得到增强骨架序列； S3，将增强骨架序列分别输入到query编码器、key编码器进行编码，分别得到对应的时空特征，各个时空特征均包含原始的无标签的骨架序列的时间特征和空间特征；所述query编码器和key编码器获得时空特征中原始的无标签的骨架序列的时间特征均具体包括以下步骤： S31，对增强骨架序列重组得到不同视角下的骨架数据，得到增强骨架序列的帧视角和节点视角形式，其中，帧视角是增强骨架序列中单帧骨架所有信息为序列元素，而节点视角是增强骨架序列中单个节点所有信息为序列元素； S32，先提取序列元素中存在的时间特征，将帧视角通过全连接层将低维数据映射到高维嵌入空间，分离笼统的特征，得到帧视角嵌入层特征； S33，通过视角生成模块对帧视角嵌入层特征进行重组而得到第一级的片段视角，其中，视角生成模块包括一维卷积神经网络、层归一化、线性整流激活函数和一维最大池化，并使用视角生成模块对第一级的片段视角重组得到第二级的片段视角，将帧视角称为父视角，不同级片段视角称为子视角，父视角和不同级的子视角组成了层级化的时间视角； S34，先对不同的时间视角的增强骨架序列添加位置编码，得到不同的位置编码时间视角；然后分别通过Transformer编码不同的位置编码时间视角，得到不同的时间视角特征，其中，Transformer的自注意力计算发生在时间维度上； 再通过一维最大池化聚合不同的时间视角特征，得到不同的视频级特征信息； 最后将不同的视频级特征信息拼接成整个层级化时间特征； S4，将步骤S3得到的时空特征均进行对比损失计算，并对步骤S3得到的原始的无标签的骨架序列的时间特征和空间特征均进行一致性损失计算，并将对比损失和一致性损失计算结果相加，得到总损失函数； S5，使用总损失函数，以端对端的方式进行自监督学习，构建预训练模型； S6，使用预训练模型中的query编码器，并在query编码器后加入一个由全连接层组成的分类器，得到由编码器和分类器构成的下游动作识别任务训练模型； S7，将带标签的骨架序列输入到所述下游动作识别任务训练模型中，使用下游动作识别任务训练模型中的编码器从带标签的骨架数据中提取特征，将提取的特征通过分类器进行分类，将分类的结果用交叉熵损失函数进行端到端的训练，构建动作识别模型； S8，使用动作识别模型进行动作识别。

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浙江工商大学，其通讯地址为：310018 浙江省杭州市下沙高教园区学正街18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”。