[发明专利]基于自适应图卷积对抗网络的人体行为预测方法及系统

权利要求书

1.基于自适应图卷积对抗网络的人体行为预测方法，其特征是，包括如下步骤：

获取人体行为动作序列，并按照不同的观测比进行分割；

将分割后的动作序列输入至训练好的AGCN-AL网络和局部网络分别进行行为预测；

将局部网络与AGCN-AL网络的预测结果融合，作为最终的行为预测结果；

所述AGCN-AL网络包括设置有自适应图卷积网络模块的特征提取网络，以及分别与特征提取网络连接的鉴别器和分类器，局部网络包括依次连接的特征提取网络和分类器；

按照不同的观测比进行分割的方法，具体为：将完整的动作执行过程分割出多个不同时长的部分序列，每个部分序列动从完整序列的第一帧开始；

特征提取网络用于提取动作序列的时间和空间特征，所述鉴别器用来判断输入是部分序列还是完整序列；分类器用来判断动作类型，并用于衰弱鉴别器的判断能力。

2.如权利要求1所述的基于自适应图卷积对抗网络的人体行为预测方法，其特征是：特征提取网络包括一个批标准化层、多个AGCN模块和一个全局平均池化层；或/和,分类器包含依次连接的一个全连接层和一个Softmax层；或/和,鉴别器包含依次连接的一个全连接层和一个Sigmoid层。

3.如权利要求1所述的基于自适应图卷积对抗网络的人体行为预测方法，其特征是：局部网络与AGCN-AL的融合方式为求均值。

4.如权利要求1所述的基于自适应图卷积对抗网络的人体行为预测方法，其特征是：还包括局部网络与AGCN-AL网络分别进行训练的过程，AGCN-AL网络训练包括如下步骤：

获取人体行为完整动作序列并进行分割建立训练集；

将训练集的数据传输至AGCN-AL网络分别根据设定的与时间相关的损失函数对鉴别器、以及特征提取网络和分类器分别进行训练，获得网络参数。

5.如权利要求1所述的基于自适应图卷积对抗网络的人体行为预测方法，其特征是：

对鉴别器进行训练的方法为：

设定特征提取网络和分类器的参数，将训练集的数据传输至AGCN-AL网络进行训练；

计算鉴别器的损失函数，直到鉴别器的损失函数达到设定的数值，确定鉴别器的参数；

其中，鉴别器的损失函数为：训练样本的预测值与真实值之间的二元交叉熵及其不同时长的动作序列的权重乘积的平均值；

或者

对特征提取网络和分类器进行训练的方法为：

固定鉴别器的参数，将训练集种将各种观测比、各种动作类型的动作序列全部打乱作为特征提取网络的输入，传输至AGCN-AL网络进行训练；

计算分类器的损失函数，直到分类器的损失函数达到设定的数值，确定征提取网络和分类器的参数；

其中，分类器的对抗性损失函数和分类损失函数的线性组合。

6.如权利要求1所述的基于自适应图卷积对抗网络的人体行为预测方法，其特征是：局部网络的训练包括如下步骤：

获取人体行为完整动作序列并进行分割建立训练集；

将训练集的数据传输至局部网络根据设定的与时间相关的损失函数进行训练，获得局部网络参数；

其中，局部网络训练设定的与时间相关的损失函数为：分类器输出概率值的对数、真实值表征向量与动作序列的对抗性损失函数权重三者乘积的平均值。