[发明专利]基于数据增强与知识蒸馏的可增类行为识别系统及方法

说明书

本发明公开了一种基于数据增强与知识蒸馏的可增类行为识别系统及方法，包括：数据采集单元，用于采集用户运动时的传感器数据；数据预处理单元，输出经过预处理后的行为数据；存储单元，用于存储旧行为类别代表样本集和旧行为识别模型；行为识别单元，用于对预处理后的行为数据进行识别和分类；增类训练单元，输出一个新行为识别模型；所述新行为识别模型对旧行为类别数据或新行为类别数据进行识别，输出行为识别结果。本发明在行为识别的持续学习过程中，保证了持续学习性能和资源成本优势；同时符合现实生活中用户行为的动态扩张性，对未知的新类别行为能够保持可持续性的增类识别性能。

技术领域

本发明属于智能感知技术和人工智能技术领域，具体指代一种基于数据增强与知识蒸馏的可增类行为识别系统及方法。

背景技术

在现实生活场景中，人们会有各种各样的动作，这些动作对应具体的行为，识别这些行为，有助于人们记录自己的生活状态，分析行为习惯，刻画人物画像。但是采集人物活动数据需要专用的传感器，在过去这是一件麻烦和困难的事情。随着智能移动设备的快速发展和普及，人们已经养成了随身携带智能移动设备的习惯，通过智能移动设备的惯性测量单元，采集用户行为数据，进行行为识别，为下游任务服务。

行为识别会根据活动场景的变化变得丰富多彩，比如一个人从出生开始，只会爬行、翻滚、睡觉，随着年龄的增大，逐渐学会了走路、吃饭、跑步等，之后还会看书、写字、打篮球等。活动场景逐渐丰富，需要识别的行为也越来越多。传统的神经网络模型只能识别经过训练的已有的行为类别，但是行为场景和行为种类拥有动态增长这个特性。动态增长的过程中，之前的活动样本因为个人隐私问题等，变得难以获取，如何根据当前活动样本，让模型不遗忘之前已经能识别的行为，还能识别当前新的行为是个需要解决的问题。人们也迫切需要行为识别模型能拥有持续性识别分类能力来满足生活场景的变化。

传统的基于神经网络的模型被运用于增类行为识别任务中，往往存在以下几个方面的技术缺陷：

1、已经训练好(即旧的)的行为识别模型往往只能识别已知的(即旧的)行为类别，而无法识别未知的(即新的)行为类别；

2、旧行为数据因为隐私问题难以获取，仅使用新的行为数据训练并更新旧行为识别模型，会使模型对旧领域的识别任务出现灾难性遗忘；

3、随着需要识别的行为类别不断扩充，神经网络模型的参数量随之增加。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于数据增强与知识蒸馏的可增类行为识别系统及方法，以解决现有动态环境下行为类别不断增加，模型无法准确识别新的行为类别的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于数据增强与知识蒸馏的可增类行为识别系统，包括：数据采集单元，数据预处理单元，存储单元，行为识别单元和增类训练单元；

数据采集单元，用于采集用户运动时惯性传感器三个轴的加速度计和三个轴的陀螺仪数据；

数据预处理单元，对获取的加速计数据和陀螺仪数据进行重采样，裁剪数据长度以及归一化数据的值，输出经过预处理后的行为数据；

存储单元，用于存储旧(即已知的)行为类别代表样本集和旧(即已训练的)行为识别模型；

行为识别单元，用于对所述预处理后的行为数据进行识别和分类，对于新行为类别，改变分类器的输出类别数，并将新(即未知的)行为类别的样本和旧行为类别的代表性样本作为训练样本，产生一个增类训练任务，发送给增类训练单元；

增类训练单元，获取存储单元存储的旧行为识别模型，使用新行为类别的样本以及旧行为类别的部分代表性样本对旧行为识别模型进行增类训练，输出一个新行为识别模型；所述新行为识别模型对旧行为类别数据或新行为类别数据进行识别，输出行为识别结果。