[发明专利]一种动作检测网络的训练方法及装置

权利要求书

1.一种动作检测网络的训练方法，其特征在于，包括：

利用待训练网络的门控循环网络结构，确定标注样本对应的第一特征向量；所述标注样本包括，运动加速度数据、重力加速度数据和标注信息；所述标注信息包括，场景标签和行为标签；

利用所述待训练网络的卷积网络结构，确定所述第一特征向量对应的第二特征向量；

利用所述待训练网络的全连接结构，确定所述第二特征向量对应的预测结果；

根据所述预测结果，和所述标注样本对应的标注信息，对所述待训练网络进行数据训练；将完成所述数据训练的所述待训练网络确定为动作检测网络；

所述根据所述预测结果，和所述标注样本对应的标注信息，对所述待训练网络进行数据训练包括：根据所述预测结果和所述标注样本对应的标注信息，确定目标损失函数；利用所述目标损失函数对所述待训练网络进行数据训练；

所述根据所述预测结果和所述标注样本对应的标注信息，确定目标损失函数包括：利用所述预测结果、所述场景标签和所述行为标签，确定第一损失函数；利用所述预测结果和所述场景标签，确定第二损失函数；利用所述预测结果和所述行为标签，确定第三损失函数；根据所述第一损失函数、所述第二损失函数和所述第三损失函数，确定所述目标损失函数。

2.根据权利要求1所述方法，其特征在于，所述卷积网络结构包括，卷积层和最大池化层；所述利用所述待训练网络的卷积网络结构，确定所述第一特征向量对应的第二特征向量包括：

将所述第一特征向量输入所述卷积网络结构，以使所述第一特征向量经过所述卷积层和所述最大池化层，以确定所述第二特征向量。

3.根据权利要求2所述方法，其特征在于，所述第一特征向量经过所述卷积层和所述最大池化层包括：

所述第一特征向量单次经过所述卷积层和所述最大池化层；

或者，所述第一特征向量多次经过所述卷积层和所述最大池化层。

4.一种动作检测方法，其特征在于，包括：

利用动作检测网络的门控循环网络结构，确定待测数据对应的第三特征向量；

利用所述动作检测网络的卷积网络结构，确定所述第三特征向量对应的第四特征向量；

利用所述动作检测网络的全连接结构，确定所述第四特征向量对应的动作检测结果；

所述动作检测网络由权利要求1-3任意一项中所述方法训练得到。

5.一种动作检测网络的训练装置，其特征在于，包括：

第一特征向量确定模块，用于利用待训练网络的门控循环网络结构，确定标注样本对应的第一特征向量；所述标注样本包括，运动加速度数据、重力加速度数据和标注信息；所述标注信息包括，场景标签和行为标签；

第二特征向量确定模块，用于利用所述待训练网络的卷积网络结构，确定所述第一特征向量对应的第二特征向量；

预测模块，用于利用所述待训练网络的全连接结构，确定所述第二特征向量对应的预测结果；

训练模块，用于根据所述预测结果，和所述标注样本对应的标注信息，对所述待训练网络进行数据训练；将完成所述数据训练的所述待训练网络确定为动作检测网络；

所述根据所述预测结果，和所述标注样本对应的标注信息，对所述待训练网络进行数据训练包括：根据所述预测结果和所述标注样本对应的标注信息，确定目标损失函数；利用所述目标损失函数对所述待训练网络进行数据训练；

所述根据所述预测结果和所述标注样本对应的标注信息，确定目标损失函数包括：利用所述预测结果、所述场景标签和所述行为标签，确定第一损失函数；利用所述预测结果和所述场景标签，确定第二损失函数；利用所述预测结果和所述行为标签，确定第三损失函数；根据所述第一损失函数、所述第二损失函数和所述第三损失函数，确定所述目标损失函数。

6.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-3任一项所述的动作检测网络的训练方法。

7.一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-3任一项所述的动作检测网络的训练方法。