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！

龙图腾网获悉中国矿业大学申请的专利面向动态内存优化的轻量化井下人员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：CN116503948B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202310502077.8，技术领域涉及：G06V40/20；该发明授权面向动态内存优化的轻量化井下人员动作识别方法及装置是由刘佰龙;邓宇帆;张磊;梁志贞;江海峰;许昱林设计研发完成，并于2023-05-06向国家知识产权局提交的专利申请。

本面向动态内存优化的轻量化井下人员动作识别方法及装置在说明书摘要公布了：一种面向动态内存优化的轻量化井下人员动作识别方法及装置，利用煤矿井下人员动作视频数据设计适用于嵌入式终端的轻量化动作识别模型。首先通过数据采集和预处理模块，实现对煤矿井下人员动作数据集的构建；其次将数据集通过预训练模块，实现视频动作特征识别任务下，动作识别模型的混合预训练；再次将动作识别模型通过轻量化神经网络架构搜索模块，实现轻量网络架构的搜索；最后将轻量网络通过参数压缩模块，得到极小模型，并应用在嵌入式终端上。优点：采用混合预训练技术，提高模型的鲁棒性；采用参数压缩、动态内存加载等技术，在优化模型结构、减小模型体积的同时缩短搜索时间；在保证识别率前提下，实现复杂模型的井下嵌入式终端部署。

本发明授权面向动态内存优化的轻量化井下人员动作识别方法及装置在权利要求书中公布了：1.一种面向动态内存优化的轻量化井下人员动作识别方法，其特征在于：引入煤矿井下人员动作视频数据、AVA视频数据；利用煤矿井下人员动作视频数据、AVA数据获得轻量级煤矿井下动作识别模型；通过预训练模块、轻量化神经网络架构搜索模块、参数压缩模块和实时检测模块进行井下人员动作识别；将AVA视频数据和煤矿井下人员动作视频数据预处理后，经过预训练模块，得到动作识别预训练模型，将动作识别预训练模型经过轻量化神经网络架构搜索模块，得到轻量级动作识别微调模型，将轻量级动作识别微调经过参数压缩模块，得到最终轻量级煤矿井下动作识别模型； 具体包括如下步骤： 步骤1：采集并构建煤矿井下动作图像序列数据集与AVA数据集：将采集到的煤矿井下人员动作视频数据以及获取到的AVA视频数据进行预处理，把视频数据转为图像序列，并划分为训练集和测试集，得到煤矿井下人员动作图像序列数据集和AVA数据集，将数据集融合，形成预训练增强数据集； 步骤2：将步骤1得到的预训练增强数据集通过预训练模块，实现在视频动作识别的分类任务下，超大规模网络模型的联合学习，获得动作识别预训练模型； 步骤3：将步骤2得到的动作识别预训练模型通过轻量化神经网络架构搜索模块，实现快速最优网络架构搜索，获得轻量级动作识别微调模型； 步骤4：将步骤3得到的轻量级动作识别微调模型通过参数压缩模块进一步处理，得到最终轻量级煤矿井下动作识别模型，并应用在嵌入式终端上； 所述通过参数压缩模块进一步处理，得到最终轻量级煤矿井下动作识别模型的过程如下； 所述的参数压缩模块具体为：重新设计权重复用方法，将权重复用由传统的层间复用优化为层内复用与层间复用融合的形式，其中层内复用为主，层间复用为辅，并且在层间参数复用之间加入线性映射技术、每层的线性映射都不完全一致，这种重新设计的权重复用方法允许每个层都有不同的参数，有效缓解由于参数相似而导致模型表达能力下降的问题、在压缩参数的前提下将模型参数多样化； 具体步骤如下： 步骤4A：将步骤3获得的轻量级动作识别微调模型中自注意力模块的前后加上线性映射层，在压缩参数的同时使参数多样化，其中，原始的自注意力模块表示为： AttScorek＝GkVk 其中，AttScorek表示注意力值，Gk表示权重，Vk表示Value矩阵,Qk表示Query矩阵，表示key矩阵，d是尺度，代表Query矩阵和key矩阵的维度；增加了线性映射层后的自注意力模块表示为： 其中，为softmax层前的线性变换层，为softmax层后的线性变换层，H为注意力的头的数量； 至此，得到最终轻量级煤矿井下动作识别模型； 步骤5：对实时煤矿井下人员动作视频数据识别：将待识别视频数据转化为图像序列，输入到步骤4中得到的最终轻量级煤矿井下动作识别模型的终端中进行动作识别，并文字输出视频中包含的所有人员的动作信息。

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中国矿业大学，其通讯地址为：221116 江苏省徐州市大学路1号中国矿业大学；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。