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！

龙图腾网获悉西北工业大学申请的专利基于时序扰动与学习稳定化的半监督细粒度动作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：CN119672812B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411874840.0，技术领域涉及：G06V40/20；该发明授权基于时序扰动与学习稳定化的半监督细粒度动作识别方法是由邵典;许正正;时铭飞;陈浩东;黄永乐;吉博文设计研发完成，并于2024-12-19向国家知识产权局提交的专利申请。

本基于时序扰动与学习稳定化的半监督细粒度动作识别方法在说明书摘要公布了：本发明提出了一种基于时序扰动与学习稳定化的半监督细粒度动作识别方法，针对半监督细粒度动作识别这一具有高度挑战性任务，该方法以FixMatch半监督学习体系为基础，提出了半监督学习细粒度动作识别算法框架SeFAR。该方法提出双级时序元素采样方法，结合了细粒度时序元素与时序上下文，能够有效捕捉多粒度的时序信息，以增强区分视频中细微动作的能力；并且考虑时序动态的重要性并设计新的“强增强”策略，在获得的细粒度时序元素中引入适度的时序扰动，同时保持上下文元素的时序顺序，从而构建更适合细粒度动作识别任务的弱‑强增强对比数据对；此外，该方法还设计了自适应学习调节策略，通过计算自适应系数来调整训练中反传的损失，以稳定训练过程。

本发明授权基于时序扰动与学习稳定化的半监督细粒度动作识别方法在权利要求书中公布了：1.一种基于时序扰动与学习稳定化的半监督细粒度动作识别方法，其特征在于：包括以下步骤： 步骤1：对待识别的视频采用双级时序元素采样方法进行采样； 步骤2：将步骤1采样得到的帧序列输入训练后的模型，得到识别结果； 所述模型通过以下过程训练得到： 步骤a：获取训练样本，所述训练样本包括少量有标签的视频和大量无标签的视频；所述少量有标签的视频指有标签的视频占比不超过10%，不少于1%； 步骤b：对有标签的视频采用双级时序元素采样方法进行采样，利用采样得到的有标签帧序列样本，通过有监督训练，得到初始模型； 利用初始模型初始化教师模型和学生模型；通过以下步骤进行迭代训练； 步骤c：对有标签和无标签的视频均采用双级时序元素建模方法进行采样，对采样得到的有标签帧序列样本进行弱增强，对采样得到的无标签帧序列样本进行弱增强和强增强，得到一个批次的帧序列样本；所述弱增强为随机水平翻转或随机缩放，所述强增强为适度时序扰动，所述适度时序扰动为对每组细粒度帧序列进行倒序排列，同时上下文帧序列的排序保持不变； 所述一个批次的帧序列样本中包括弱增强后的有标签帧序列样本以及弱增强和强增强后的无标签帧序列样本； 步骤d：将弱增强后的有标签帧序列样本输入教师模型进行识别，得到识别结果以及识别结果与标签的损失；所述识别结果为各种可能类别的概率分布； 步骤e：将弱增强后的无标签帧序列样本输入教师模型进行识别，得到识别结果； 步骤f：重复N次步骤e，得到N次识别结果，计算每种类别在N次识别结果中的概率平均值作为伪标签，i表示第i种类别； 步骤g：计算各种类别的概率平均值的最大值，以及所对应类别在N次识别结果中的概率标准差； 根据和，计算动态系数和： 其中，为自然常数，和为设定常数；根据动态系数和计算自适应系数； 步骤h：将强增强后的无标签帧序列样本输入学生模型进行识别，得到识别结果； 步骤i：利用学生模型的识别结果和伪标签，得到无监督学习过程的损失； 步骤j：对该批次中强增强后的无标签帧序列样本进行两两组合，得到若干对无标签帧序列样本对，通过TubeTokenMix方法对每个所述无标签帧序列样本对进行处理，得到一个新的无标签帧序列样本，将所述新的无标签帧序列样本输入学生模型进行识别，得到识别结果； 步骤k：将无标签帧序列样本对中的一个无标签帧序列样本通过步骤e-步骤g的过程，得到以及对应的伪标签；将无标签帧序列样本对中的另一个无标签帧序列样本通过步骤e-步骤g的过程，得到以及对应的伪标签；根据公式 得到混合损失权重以及混合伪标签，其中为设定的混合比例；利用步骤j的识别结果与混合伪标签，得到混合损失； 步骤l：利用公式 得到本次迭代过程的损失，其中为warmup系数； 步骤m：利用损失调整学生模型，得到第k次迭代后的学生模型参数，再利用调整后的学生模型参数，根据公式，得到第k次迭代后的教师模型参数；然后返回步骤c，直至达到设定的总迭代次数，模型训练完毕。

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西北工业大学，其通讯地址为：710072 陕西省西安市碑林区友谊西路127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。