[发明专利]一种迁移学习框架下基于条件随机场的手势识别算法

权利要求书

1.一种迁移学习框架下基于条件随机场的手势识别算法，其包括：视频序列上的手势识别算法，以及在具有部分标注数据下采用无标注数据辅助训练的半监督手势识别算法，所述手势识别算法包括深度条件随机场手势识别算法，以及相应的特征函数构建方法，所述半监督手势识别算法，包括深度条件随机场的手势识别算法以及无监督的马尔科夫随机场方法，以及两种方法的联合训练方法。

2.根据权利要求1所述的一种迁移学习框架下基于条件随机场的手势识别算法，其特征在于，所述方法包括：有监督的深度条件随机场模型；

所述深度条件随机场模型包括：采用层次前馈网络作为特征抽取器与条件随机场构成的无向图模型联合训练；使用深度神经网络作为特征学习器自动从原始数据中学习非线性特征：所述方法采用一层卷积层与若干全连接层构成多层的深度神经网络完成特征学习过程；其中，第一层的卷积层主要的作用是捕获上下文信息，使得获得的特征具有时间序列上的不敏感性；所述若干全连接层即传统的全连接结构，以卷积层的输出作为输入，最终得到一个结构化的结果并传递给条件随机场模型，进而构建一个结构化模型解决手势识别问题。

3.根据权利要求1所述的一种迁移学习框架下基于条件随机场的手势识别方法，其特征在于，所述方法包括：一种基于无监督马尔科夫随机场的序列模型；

所述马尔科夫随机场序列模型，利用观测节点之间的关系性构建无监督的序列模型并作为辅助任务。这里将概率近似为由其邻居节点之间的依赖关系的连乘，并采用第一邻居节点构建序列的生成概率；并在基本的生成概率基础上引入特征变换过程φ(x_t；α)；全局概率被替换为一组局部伪似然概率的求和代替全局似然概率P(x)。

4.根据权利要求1所述的一种迁移学习框架下基于条件随机场的手势识别方法，其特征在于，所述方法包括：一种基于权利要求2与权利要求3的联合训练方法；

所述半监督联合训练方法具体为：根据权利要求1与权利要求2所述，两种方法可以共享变换φ(x_t；α)，同时将方法中所述的无监督马尔科夫随机场作为迁移学习中的辅助任务，而深度条件随机场进行手势识别作为主任务。让两个模型共享非线性特征变换φ(x；α)，即构建一个序列模型的迁移学习框架，联合模型的优化目标如下：最后使用梯度下降搜索优化参数，使用BFGS来优化目标参数。