The invention discloses a method for generating an object attribute recognition model, a storage medium and an electronic device. The method comprises: training a preset neural network with a training sample including an action sequence and a target object attribute label, and the action sequence is an interactive action sequence between a human body and an object, so that the object attribute recognition model obtained from the training can be trained from a human body and an object Object attributes are recognized in the interaction of objects. The object attributes include, but are not limited to, object weight, shape, software and hardware degree, etc., which makes the recognition module obtained by training have the characteristics of universality and wide range of use for object attribute recognition.
【技术实现步骤摘要】
一种物体属性识别模型的生成方法、存储介质及电子设备
本专利技术涉及计算机图形学
,特别涉及一种物体属性识别模型的生成方法、存储介质及电子设备。
技术介绍
随着近年来深度学习的发展,人体动作行为识别等类似的问题普遍使用神经网络来解决。目前现有的识别方法普遍为使用循环神经网络(RNN)结构来进行骨架序列识别以及采用卷积神经网络(CNN)对骨架序列提取特,这些方法的主要差异在于骨架序列的表示以及网络结构。然而现有识别方法主要是针对人的不同行为的人体静态姿态,限制了根据人体行为对物体属性的识别。
技术实现思路
本专利技术要解决的技术问题在于,针对现有技术的不足,提供一种物体属性识别模型的生成方法、存储介质及电子设备。为了解决上述技术问题,本专利技术所采用的技术方案如下:一种物体属性识别模型的生成方法,其包括:获取训练样本集,所述训练样本集包括多组训练样本,每组训练样本包括所述训练样本集的交互动作序列以及目标物体属性标签;将所述训练样本集中动作序列输入预设神经网络模型,并获取所述预设神经网络模型所输出的生成物体属性标签;根据所述目标物体属性标签和所述生成物体属性标签对所述预设神经网络模型的模型参数进行修正,直至所述预设神经网络模型的训练情况满足预设条件,以得到已训练的物体属性识别模型。所述物体属性识别模型的生成方法,其中,所述动作序列包括预设数量的骨骼序列帧,每一张骨骼序列帧包括人体骨骼数据,其中,所述人体骨骼数据为树状序列结构并以关节为节点。所 ...
【技术保护点】
1.一种物体属性识别模型的生成方法,其特征在于,其包括:/n获取训练样本集,所述训练样本集包括多组训练样本,每组训练样本包括动作序列以及目标物体属性标签;/n将所述训练样本集中的动作序列输入预设神经网络模型,并获取所述预设神经网络模型所输出的生成物体属性标签;/n根据所述目标物体属性标签和所述生成物体属性标签对所述预设神经网络模型的模型参数进行修正,直至所述预设神经网络模型的训练情况满足预设条件,以得到已训练的物体属性识别模型。/n
【技术特征摘要】
1.一种物体属性识别模型的生成方法,其特征在于,其包括:
获取训练样本集,所述训练样本集包括多组训练样本,每组训练样本包括动作序列以及目标物体属性标签;
将所述训练样本集中的动作序列输入预设神经网络模型,并获取所述预设神经网络模型所输出的生成物体属性标签;
根据所述目标物体属性标签和所述生成物体属性标签对所述预设神经网络模型的模型参数进行修正,直至所述预设神经网络模型的训练情况满足预设条件,以得到已训练的物体属性识别模型。
2.根据权利要求1所述物体属性识别模型的生成方法,其特征在于,所述动作序列包括预设数量的骨骼序列帧,每一张骨骼序列帧包括人体骨骼数据,其中,所述人体骨骼数据为树状序列结构并以关节为节点。
3.根据权利要求2所述物体属性识别模型的生成方法,其特征在于,所述物体属性识别模型包括图卷积模块、门控循环单元模块以及全连接模块;将所述训练样本集中动作序列输入预设神经网络模型,并获取所述预设神经网络模型所输出的生成物体属性标签具体包括:
将所述动作序列的关节特征输入图卷积模块,通过所述图卷积模块提取用于输入门控循环单元模块的关节特征,其中,图卷积模块的输入包括关节位置和关节速度;
将用于输入门控循环单元模块的关节特征输入门控循环单元模块,通过门控循环单元模块输出在时序维度上的关节特征,其中,所述门控循环单元模块带有注意力子模块,所述注意力子模块用于获取各关节对物体属性的重要程度系数;
将所述权重系数以及关节特征输入所述全连接模块,通过所述全连接模块输出所述动作序列对应的生成物体属性标签。
4.根据权利要求3所述物体属性识别模型的生成方法,其特征在于,所述图卷积层输出的关节特征的表达式为:
其中,xt,i为输入图卷积层的第i各关节的关节特征,j为i的父节点的索引,t为人体骨骼数据帧的帧序号,Wg和b为图卷积层的权重系数。
5.根据权利要...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。