[发明专利]一种基于自动机器学习的图结构搜索方法

说明书

本发明公开了一种基于自动机器学习的图结构搜索方法，如下：步骤S1、从输入的图像或者视频中，按照时间先后顺序顺次提取每一帧图像中的图结构的节点信息，节点信息和边形成拓扑结构图序列Gt，Gt＝(Vt，Et)；上述各帧图像中的边构成一个边集Et＝{vtivtj|(i,j)∈H}；步骤S2、将边集Et和连接权重构建邻接矩阵W＝{Wij|i，j＝1,…,N}。初始化邻接矩阵，得初始化后的邻接矩阵W1。步骤S3、得训练后的邻接矩阵W2；由邻接矩阵W2得超参数邻接矩阵W3，超参数邻接矩阵W3和节点集Vt形成高鲁棒性拓扑图结构。通过搜索整个样本集学习得到一种高鲁棒性图结构，将图卷积中的权重矩阵扩大到整个拓扑图结构。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于自动机器学习的图结构搜索方法。

背景技术

随着人工智能时代的到来，实现各个领域的智能化已成为大势所趋，也将为人们的生活带来极大的便捷。计算机视觉作为人工智能领域的一个重要分支，可以看作是人工智能的“眼睛”，其主要任务是使用计算机对采集到的信息(图片或视频)进行分析处理以理解其中包含的语义信息。

机器学习是人工智能研究发展到一定阶段的必然产物，其致力于通过计算的手段，利用经验来改善系统自身的性能。在计算机系统中，“经验”通常以“数据”形式存在，通过机器学习算法，可从数据中产生“模型”，也就是说，将经验数据提供给机器学习算法，就能基于这些经验数据产生模型，在面对新的情况时，模型会提供相应的判断，即，预测结果。一个机器学习模型通常解决的是特定场景下的问题，而开发机器学习模型需要投入较多的人力成本，并且需要专门的人才投入。针对传统机器学习建模方案存在的不足，产生了自动机器学习(AutoML)，自动机器学习的目的是使用自动化的数据驱动方式来确定机器学习解决方案。

近年来，随着深度学习技术的兴起，各种图卷积网络、图循环网络、图注意网络、图残差网络等神经网络被广泛的使用。这些深度学习网络的输入都是以人为定义的图结构，例如人体行为识别网络的输入图结构便是以人体骨骼的物理连接作为体骨架拓扑结构的连接，但是人体行为是具有连贯性的，除了骨节点之间基于骨架的物理连接外，还有因为动作连贯性的非物理连接，例如人在行走时除了双腿的走动，还会带动双臂的摆动，这些信息是无法从骨架的物理连接上能够得到。因此，通过设计一种基于自动机器学习的人体骨架拓扑结构来在大量数据集上学习到虚拟骨架连接关系，进而得到泛化能力更强，更适合计算机识别的人体骨架拓扑结构，从而使大多数基于人体骨架的神经网络从输入的层次上进行改进来提升性能，对人体行为进行分类具有非常重要的研究意义。

发明内容

本发明所要解决的技术问题在于针对上述现有技术的不足，提供一种基于自动机器学习的图结构搜索，直接通过搜索整个样本集学习得到一种高鲁棒性图结构。将图卷积中的权重矩阵扩大到整个拓扑图结构，学习图中任意两节点之间的关系，从而将数据集中原本基于骨架物理连接的人体骨架拓扑人为定义的结构都更替为一种高鲁棒性、高泛化性的机器学习到的图结构。

为解决上述技术问题，本发明采用的技术方案是，一种基于自动机器学习的图结构搜索方法，该方法包括如下步骤：

步骤S1、从输入的图像或者视频中，按照时间先后顺序顺次提取每一帧图像中的图结构的节点信息，并分别在各帧图像中的任意两个节点之间均构建边，节点信息和边形成拓扑结构图序列Gt，Gt＝(Vt，Et)；

上述各帧图像中的边构成一个边集Et＝{vti vtj|(i,j)∈H}；

其中：Vt为节点集，Vt＝{vti|t＝1，2，…，T；i＝1，2…，N}，包括了拓扑结构图序列中每一时刻的所有节点；t表示图像帧的序号；

vti表示第t帧图像中第i个节点的坐标信息；vtj表示第t帧图像中第j个节点的坐标信息；j＝1，2…，N，且j≠i；vti vtj的数值表示第i个节点和第j个节点的连接权重；i和j均为节点的序号；T为总帧数，取整数；N为节点的总个数，取整数；H是节点连接集合。；