《表3 留一法(LOO)交叉验证方案的分类识别率》
%
一个完整的人体姿态应该被记录在指定帧内,但是很难识别在相对较长的测试频谱图中传达的短时间动作如拳击和踢球等。因此,上述研究中都将输入的人体姿态回波数据调整为固定大小,并假设仅包含单一人体姿态的时变信息,这就导致大多数模型的时间分辨率受输入时间窗口大小的限制。针对这一问题,文献[33]将微多普勒频谱图看作特殊的时间序列数据,提出分段卷积门控递归神经网络(SCGRNN),将CNN和门控递归单元(GUR)组合在一个模型中,分别定义了GUR的更新门、复位门、隐藏状态和权重矩阵,其学习示意图如图5所示,卷积层和池化层用于提取局部特征。GRU将多个相邻元素的CNN特征作为输入来检测每个时间步长的动作,并将GRU递归细胞的隐藏状态反馈到Softmax层来获得每个时间步长的概率分布,从而避免固定训练样本大小造成的限制,甚至可以检测动作的开始和结束时间点,最后引入留一法(LOO)交叉验证该模型在噪声鲁棒性和泛化性能方面的优势,如表3所示。
图表编号 | XD00201502300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.01 |
作者 | 李俊侠、张秦、郑桂妹 |
绘制单位 | 空军工程大学研究生院、空军工程大学防空反导学院、空军工程大学防空反导学院 |
更多格式 | 高清、无水印(增值服务) |