《表1 多任务识别与单任务识别结果》
实验采用慢时间窗口长度为1.0s的无噪雷达时频图像(180000张),其中每个受试者的单个动作种类包含2000张雷达时频图像。将180000张时频图像数据按照受试者类别和动作类别进行分层随机抽样,可得到4个数量相等的子集(45000张)。每个子集中,单个受试者的单个动作类别包含时频图像500张。每次取3个子集作为训练集(135000张),一个子集作为测试集(45000张),得到交叉验证集(cross validation)1~4。采用本文提出的模型结构和联合损失优化方法,进行人体动作(HA)与人体身份(HD)的多任务识别(MR)以及单任务识别(SR)。在单任务识别中,利用对应任务上的联合损失分别训练各任务的对应模型。训练中学习率为0.0001,迭代次数为20。经多次实验,设定λE、λM,λC为0.01,α为0.005。表1为识别结果,其中总识别准确率(HT)表示在两个任务上都识别正确的样本比例。图6显示了训练次数增加时,交叉验证集4上各任务损失值和识别准确率的变化情况。
图表编号 | XD00133385900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.25 |
作者 | 侯春萍、蒋天丽、郎玥、杨阳 |
绘制单位 | 天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |