[发明专利]一种小样本行为识别分类增量学习方法、装置及可读介质

说明书

本发明公开了一种小样本行为识别分类增量学习方法、装置及可读介质，通过构建互相连接的第一网络模型和第一分类器以及第一特征提取网络和第一权重矩阵生成网络；获取第一行为数据集和第二行为数据集，通过第一行为数据集对第一网络模型和第一分类器进行训练，得到第二网络模型和第二分类器；将第二行为数据集输入第一特征提取网络，第一权重矩阵生成网络输出得到第一权重矩阵，基于第一权重矩阵得到第一增量网络模型，使用第二行为数据集训练第一特征提取网络、第一权重矩阵生成网络以及第二分类器，使用第二行为数据集训练第二网络模型和第三分类器，使用第三行为数据集重复训练第二增量网络模型，得到目标网络模型，能避免灾难性遗忘问题。

技术领域

本发明涉及行为识别领域，具体涉及一种小样本行为识别分类增量学习方法、装置及可读介质。

背景技术

在人类的认知能力中，记忆是最相关的能力之一。然而，记忆是脆弱的。特别是，认知心理学的研究表明，当新知识干扰旧记忆时，旧记忆可能会丢失，这一过程称为任务干扰(TaskInterference)。在人工神经网络的例子中，任务干扰是灾难性遗忘(CatastrophicForgetting，CF)问题的根源。实际上，当模型学习新任务时，其已有的网络参数会被大量更新，导致网络模型已学习过的知识的灾难性遗忘。

行为识别任务，通过对所采集的行为动作数据进行分析，结合深度神经网络算法，实现对行为动作的分类。在行为识别问题上，无法确保能够一次性训练所有已定义的行为动作(如上楼、起立、喝水等)，因此只能对有限的行为类别进行识别和分类。

现有的行为识别研究方法多采用时间序列模型，带有时空规则化的回归模型和外部上下文特征模型等。此外，基于深度神经网络的模型通过更准确地表征非线性时空相关性，显著提高了行为识别的性能。然而，这些方法的优越性能是基于大规模的训练数据，并且在面对新的行为类别的数据时，无法进行有效识别；仅通过使用新的行为类别数据训练已有网络模型，会导致已有网络模型对原有知识的大量遗忘，即灾难性遗忘，使得训练过后的网络模型无法再对已学习过的旧的行为类别数据进行有效分类；若将所有历史行为数据与新类别的行为数据一同训练一个新的网络模型，时间成本太高，且要求大量的新类别的行为数据。

发明内容

针对上述背景技术中存在的技术问题。本申请的实施例的目的在于提出了一种小样本行为识别分类增量学习方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本申请的实施例提供了一种小样本行为识别分类增量学习方法，包括以下步骤：

S1，构建基于LSTM结构的第一网络模型和第一特征提取网络以及基于全连接层的第一分类器和第一权重矩阵生成网络，第一网络模型与第一分类器连接，第一特征提取网络与第一权重矩阵生成网络连接；

S2，获取具有不同类别的第一行为数据集和第二行为数据集，通过第一行为数据集对第一网络模型和第一分类器进行训练，得到第二网络模型和第二分类器；

S3，将第二行为数据集输入第一特征提取网络，并从第一权重矩阵生成网络输出得到第一权重矩阵，将经过第一权重矩阵处理后的第二网络模型与第一特征提取网络和第一权重矩阵生成网络构成第一增量网络模型，通过第二行为数据集对第一增量网络模型的第一特征提取网络、第一权重矩阵生成网络以及第二分类器进行训练，得到第二特征提取网络、第二权重矩阵生成网络和第三分类器；

S4：通过第二行为数据集对第二网络模型和第三分类器进行训练，得到第三网络模型和第四分类器；

S5，基于第一行为数据集和第二行为数据集获取第三行为数据集，将第三行为数据集重复步骤S3的过程得到第二增量网络模型，并通过第三行为数据集对第二增量网络模型中的第二特征提取网络、第二权重矩阵生成网络以及第四分类器进行训练，得到第三特征提取网络、第三权重矩阵生成网络和第五分类器，第三特征提取网络、第三权重矩阵生成网络、第三网络模型和第五分类器构成目标网络模型。