《表4 人体姿态公开数据集汇总表》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《超宽带雷达人体姿态识别综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

针对深度学习时样本量不足的问题，不少学者提出了针对性的解决方案。文献[43]中提出了迁移学习优化模型，首先利用大样本对CNN进行预训练，然后用超限学习机（ELM）取代CNN中的全连接层，用小样本数据集对ELM层进行训练，最后降低网络对样本量的需求。实验表明，该方法在使识别率达到94%的同时，能够大大缩短网络训练时间。文献[44]提出了新的全卷积网络（A-Conv Nets），它用稀疏连接层取代全连接层，实验结果表明，在仅有10个样本的条件下，采用该方法可以达到99%的准确率。度量学习也常用来解决小样本下的分类识别问题，它可以将分类识别问题转换为判断两个样本是否属于同一类别的二分类问题。假设每个类型有10个样本，那么就会有10C210=450个正样本对C2100-10C210-100=4 400个负样本对，正负样本对数量的不平衡会导致网络倾向于输出两个样本来自不同类别的预测。为了解决这个问题，文献[45]尝试用两个权重相同的CNN构成的孪生卷积神经网络实现度量学习，如图7(a）所示，首先利用孪生网络提取样本的特征向量，比较样本特征域的差异，然后通过全连接层将向量差异映射为标量，由其代表两样本之间的距离度量，通过计算其相似度来判断其来自同一类型。这种方式需要计算测试样本与每个训练样本的样本相似度，非常耗时。因此，文中在单支孪生网络后面再训练一个分类网络，将单支孪生网络用作特征提取，仅仅需要区分输入两个样本的距离大小即可完成分类识别，如图7(b）所示。即使在仅有少量训练样本的情况下，该网络的识别性能仍优于A-Conv Nets。总的来说，基于深度学习的UWB雷达人体姿态识别方法除了要从根源上扩充样本数据集，还可以通过迁移学习、度量学习等方法来优化模型实现小样本下的人体姿态识别。