【技术实现步骤摘要】
本专利技术涉及拓扑性行为识别的图神经网络方法领域，尤其是基于拓扑节点间高阶关系建模的图卷积方法。
技术介绍
1、拓扑结构是机器学习中的一种数据表示方式，用于表示实体以及实体之间的关系。它包括节点和边组成，节点代表实体，边代表实体之间的关系。基于骨架的动作识别是一种拓扑性的行为识别，其中节点为骨骼关节点，骨架动作的呈现是多个骨骼关节点共同表达和承载的。建模骨骼关节点间的低阶关系只能判别一些简单的，作用域小的动作，例如握手；而一些联动关节多，作用范围广，关节配合复杂的动作，例如街舞中的具体动作，只能依靠骨骼关节点间的高阶关系来判别，因为高阶关系充分挖掘了骨骼关节点之间相互的依赖和配合关系。群体行为识别也是一种拓扑性的行为识别，其中节点为单人，群体行为的呈现具有社会性和群体化，它不仅关注于个体的表现，更看重于群体之间复杂的联系。如果仅仅建模单人间的低阶关系，就只能辨别一些简单的群体活动，例如交谈；复杂的群体行为的参与者数量是随机的，参与形式是多样的，个体之间的依赖倾向是深层次的，因此需要单人之间的高阶关系来捕获这种错综复杂的行为表现形式和特点。生成高阶关系来详尽完备地捕捉群体行为的细节和驱动，这在智能安防和自动控制领域都是十分关键的。
2、图神经网络，特别是图卷积神经网络的技术对于识别拓扑性行为有着关键作用，能够帮助模型更好地理解和利用拓扑信息。在依靠图卷积神经网络来处理寄托于拓扑结构的行为信息的过程中，核心步骤是建模拓扑节点之间的关系，因为这关乎节点消息的传递和节点特征的聚合。现有的大多数工作通过使用预定义的先验邻接或者
3、为了突破上述局限，有些工作引入了超边来表示多个节点体之间多对多的复杂关系，这对于建模节点的高阶特征起到了一定的作用。然而，超边的设置是非完备的，即只有节点之间的特定超边而非全部超边会被考虑，因为引入全部超边引发的阶乘级复杂度是不可接受的。因此不可避免的会造成节点间有效高阶关系的丢失，从而导致节点失去部分的高阶特性。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供一种用于拓扑性行为识别的拓扑节点间高阶关系建模方法。本专利技术为了充分，完整地建模节点间的高阶关系以提取节点的高阶特征，设计了一种基于递归的从低阶关系至高阶关系的迭代建模方法，以递归的自同性与可扩展性实现建模的完备性。本专利技术的关键设计在于：通过捕获低阶关系之间的完整的依赖来递归地建模高阶关系。本专利技术通过递归的方式以可行的复杂度建模了完备性高阶关系。
2、本专利技术解决其技术问题所采用的技术方案的具体步骤如下：
3、s1.提取节点间的一阶关系；
4、给定骨架中关节点或者群体中单人的节点原始特征 f，其中为个体总数，为个体特征维数，将节点原始特征输入到一阶关系建模函数，得到关节点或单人之间的一阶关系，其中为关系特征维数，对于节点和节点来说，一阶关系建模过程为，关节点或单人之间的一阶关系；
5、s2.建模节点间的完备性高阶关系；
6、s2.1 首先通过一阶嵌入函数将步骤s1中提取得到的一阶关系嵌入为一阶建模元，以供二阶建模使用，这一过程对应于图1中2.1区域以及图2中a区域；
7、s2.2 然后使用一阶依赖生成函数生成一阶建模元之间完整的依赖，对于第s个一阶建模元和第 t个一阶建模元来说，它们之间的依赖生成过程为；这一过程对应于图1中2.2区域以及图2中b区域；
8、s2.3 最后采用步骤s2.2中得到的一阶完整的依赖聚合一阶建模元，得到关节点或单人之间的完备性二阶关系，为关节点i与关节点j或单人i与单人j之间的二阶关系，这一过程对应于图1中2.3区域以及图2中c区域，s2.2和s2.3步骤不仅感知到了一阶关系之间的共现结构，还捕获了二元节点组的关联模式；
9、s2.4 与s2.1到s2.3同理，并依次类推到i+1阶完备性关系建模，首先通过i阶嵌入函数将i阶关系嵌入为i阶建模元，对应图2的a区域，然后使用i阶依赖生成函数生成阶建模元之间完整的依赖，对应图2的b区域，最后使用得到的i阶完整的依赖聚合i阶建模元，得到关节点或单人间的完备性i+1阶关系，对应图2的c区域；
10、s2.5 通过步骤s2.4的递归，迭代求出给定最大阶数 o下的关节点或单人之间的所有阶完备性关系，为关节点i和关节点j或单人i与单人j之间的k阶关系，对应于图1中2.5区域，由于建模高阶关系是依靠捕获低阶关系间的完整的依赖所实现的，因此建模得到的高阶关系是完备的，并且高阶关系的建模是基于递归增量实现的，因此其建模复杂度随阶数线性增长而非阶乘级增长；
11、s3.使用完备性高阶关系聚合高阶特征；
12、s3.1 遵循图卷积的范式，通过邻接矩阵聚合节点特征，其中h为参数矩阵，a为邻接矩阵，与分别为节点输入特征和节点输出特征，采用s2中建模的关节点或单人之间的完备性高阶关系作为邻接矩阵a聚合骨架中关节点或者群体中单人的节点原始特征，求得骨架中关节点或群体中单人的节点高阶特征；e比a多了 o和 ce维度，因此执行图卷积需要做出适配，将 o作为批处理维度来独立生成个体的各阶特征，对 ce维适配有两种方式：一是进行通道公共聚合，即f的所有通道都使用一个邻接矩阵来执行特征聚合，具体来说是将e的 ce维进行池化得到，将作为 f所有通道的公共邻接矩阵进行聚合，二是进行通道独立聚合，即 f的每个通道分别使用该通道特有的邻接矩阵来执行特征聚合，具体来说是将e的ce维向f的c维进行维度转换得到，将在c维上做切分再将其分配到f的各个通道进行通道独立的特征聚合；
13、s3.2 在求得骨架中关节点或群体中单人的节点高阶特征后，使用一个阶数压缩矩阵压缩阶数维度，得到骨架中关节点或群体中单人的节点高级特征，整个过程对应于图1中3区域，此时的高级特征具有判别性且包含丰富的信息量，能够有效提升基于骨架的动作识别或群体行为识别的性能。
14、所述步骤s1中，一阶关系建模函数有两种实现形式：一是使用一个消息函数进行个体间互信息的发掘，关节点i与关节点j或单人i与单人j之间的关系为它们之间的消息，二是使用多头自注意力机制来进行个体间相关性的探索，将头数设置为ce，关节点i和关节点j或单人i与单人j之间的关系为它们之间的多头相关性。
15、所述步骤s2.2中，一阶依赖生成函数有三种实现形式：一是使用一个消息函数进行本文档来自技高网...
【技术保护点】
1.一种用于拓扑性行为识别的拓扑节点间高阶关系建模方法，其特征在于包括如下步骤：
2.根据权利要求1所述的用于拓扑性行为识别的拓扑节点间高阶关系建模方法，其特征在于：
3.根据权利要求1所述的用于拓扑性行为识别的拓扑节点间高阶关系建模方法，其特征在于：
4.根据权利要求1所述的用于拓扑性行为识别的拓扑节点间高阶关系建模方法，其特征在于：
5.一种电子设备，其特征在于，包括一个或多个处理器；存储器；一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行如权利要求1-4所述的方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序代码，所述程序代码可被处理器调用执行如权利要求1-4所述的方法。
【技术特征摘要】
1.一种用于拓扑性行为识别的拓扑节点间高阶关系建模方法，其特征在于包括如下步骤：
2.根据权利要求1所述的用于拓扑性行为识别的拓扑节点间高阶关系建模方法，其特征在于：
3.根据权利要求1所述的用于拓扑性行为识别的拓扑节点间高阶关系建模方法，其特征在于：
4.根据权利要求1所述的用于拓扑性行为识别的拓扑节点间高阶关系建模方法，其特征在于：<...
【专利技术属性】
技术研发人员：郑皓文，王立东，单敬，李雅诗，李婧怡，周果清，王庆，王雪，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
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。