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！

龙图腾网获悉哈尔滨工程大学申请的专利一种基于多关系图卷积神经网络的骨架数据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：CN116416472B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202310398056.6，技术领域涉及：G06V10/764；该发明授权一种基于多关系图卷积神经网络的骨架数据动作识别方法是由沈晶;王胜泽;刘芳;刘海波设计研发完成，并于2023-04-14向国家知识产权局提交的专利申请。

本一种基于多关系图卷积神经网络的骨架数据动作识别方法在说明书摘要公布了：本发明提供了一种基于多关系图卷积神经网络的骨架数据动作识别方法，包括人体自然连接关系，对称关系和全局协作关系，从不同尺度对骨架数据提取高级特征，并通过关系注意力机制将其进行有效融合。通过这种方式，让网络更关注于不同动作中的关键部位信息，并且不会丢失其他部位有效的信息。为了解决图卷积神经网络普遍存在的过拟合和过平滑问题，本发明提出了一种新的正则化方式：Drop‑Relation，传统方式往往通过丢弃单独图节点或者成块图节点的方式，这样并不能阻止节点信息继续在图中传播，而Drop‑Relation让整个关系矩阵全部失活，有效的阻止关系图中的信息在网络中传播，并且可以抑制各个关系之间的依赖性，有效的缓解图卷积的过拟合和过平滑问题。

本发明授权一种基于多关系图卷积神经网络的骨架数据动作识别方法在权利要求书中公布了：1.一种基于多关系图卷积神经网络的骨架数据动作识别方法，其特征在于：具体步骤如下： 步骤1：将训练集的每一段骨架数据进行预处理，将连接臀部和脊柱的骨骼与z轴平行，并将连接左右肩的关节与x轴平行，以有效训练神经网络； 步骤2：将步骤1中的数据同时输入三种关系的图卷积神经网络，分别是自然连接关系网络、对称关系网络和带有全局协调注意力模块的全局关键关系网络；在这个过程中，同时进行Drop-Relation算法； 步骤2.1：在通过多关系图卷积块前，需要先执行Drop-Relation算法，减少网络的冗余程度，并减少关系间的依赖；Drop-Relation的主要参数为，用来控制采样概率；在一个输入特征图上，首先以概率为的Bernoulli分布抽象采集关系；然后停止激活关系，关系的图中的元素要么全都为0，要么都是被激活的；表示关系被保留的概率； 步骤2.2：构建自然连接关系网络，对称关系网络和带有全局协调注意力模块的全局关键关系网络；多关系图卷积网络模块实现用公式表示如下： ； 式中，其中，表示关系中的标签划分，依据空间维度核函数的数量应定义为3，但对于多关系网络，空间维度的核函数数量将变为9，应定义为9；表示关系的重要程度；为了平衡不同关系对网络的贡献，不同关系的计算结果将通过注意力机制有效融合到一起；权值向量表示关系的重要程度，由后续的关系注意力网络计算； 步骤2.3：构建全局关键关系网络； 步骤2.3.1：首先进行时空图信息嵌入，对输入信息进行一维编码操作，给定输入，维度为；采用两个大小为和的池化核分别沿空间方向和时间方向对每个通道进行编码：节点的第个通道的输出表示为： ； 时间帧的第个通道的输出表示为： ； 上述两种变换分别对时间方向和空间方向聚合特征，得到时空感知特征图； 步骤2.3.2：接着生成时空协调注意力图，充分利用时空感知图，突出显示注意力集中的区域，并捕捉通道之间的关系；首先连接时空感知图，通过1×1的卷积层，并通过BatchNorm层和ReLU层，该过程表示为： ； 其中，表示特征的连接运算，为非线性激活函数，为中间特征映射，维度为，用以在通道上对时空信息进行编码；其中，是块大小的减少比，然后将分解为两个单独的张量，和，维度分别为和； 接着通过两个卷积层用于将和的通道数恢复到输入张量的通道数，最后经过两个sigmoid函数将其激活，该过程表示为： ； ； 其中，和为两个卷积层，为sigmoid函数； 输出和分别用作时空注意力权重，最后，将注意力权重乘到输入特征中，就能够得到基于时空注意力的特征图，该注意力模块的输出表示为： ； 时空协调注意力机制既关注骨架中不同节点的注意力权重，又重视不同帧之间的节点的注意力权重，能够得到基于整个时间序列的全局特征图； 步骤2.3.3：构造基于top-K的全局关键关系交互矩阵，通过时空协调注意力机制，得到基于时空的骨架注意力图；给定骨架注意力图，维度为，首先使用两个嵌入函数将输入特征嵌入到维度为的空间中，这里嵌入函数使用的卷积层，两个嵌入的特征被重新排列并重新整形为和两个矩阵；接着将他们相乘就得到了节点交互关系矩阵，其元素代表顶点和顶点的交互关系；最后，将交互关系矩阵进行排序，取每个节点交互关系最强的前个邻居节点，得到top-节点的全局交互关系矩阵；将交互关系矩阵的值归一化到0-1之间，该过程表示为： ； 其中，和分别代表两个的卷积层，是排序函数，是选取函数，其中为超参数，通过实验确定； 步骤3：将步骤2中的三个网络的输出向量送入关系注意力模块，进一步提升网络性能； 步骤4：构建9个由步骤2和步骤3中的网络组成的模块，加上全局池化层和全连接层组成动作识别网络，输出动作类别。

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哈尔滨工程大学，其通讯地址为：150001 黑龙江省哈尔滨市南岗区南通大街145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。